ARBEITSPAPIER DATA SCIENCE: LERN- UND ......und Wissenschaft als auch für die Lehre – hat der Vorstand der Gesellschaft für Informatik (GI) 2018 die Task-Force „Data Science/Data

WWW.GI.DE

DATA SCIENCE: LERN- UND AUSBILDUNGSINHALTE

DEZEMBER 2019

ARBEITSPAPIER

Vorschläge des GI-Arbeitskreises „Data Science/Data Literacy“ für die inhaltliche Ausgestal-tung von Data-Science-Studiengängen und -Weiterbildungsangeboten in Zusammenarbeit mit der vom Bundesministerium für Bildung und Forschung (BMBF) und acatech initiierten Plattform Lernende Systeme

DATA SCIENCE: LERN- UND AUSBILDUNGSINHALTE

DEZEMBER 2019

ARBEITSPAPIER

GESELLSCHAFT FÜR INFORMATIK 1 ARBEITSPAPIER DATA SCIENCE: LERN- UND AUSBILDUNGSHINWEISE

Geleitwort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1. Hintergrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.1 Was ist Data Science? . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 „Data Science/Data Literacy“ in der

Gesellschaft für Informatik . . . . . . . . . . . . . . . . . . . . 6 1.3 Plattform Lernende Systeme:

Technologische Wegbereiter und Data Science . . . 6 1.4 Vorgehen des Arbeitskreises . . . . . . . . . . . . . . . . . . . 7

2. Data Science: Ein Überblick . . . . . . . . . . . . . . . . . . . . . . . 8 2.1 Begriffsklärung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2 Data-Science-Kompetenzen . . . . . . . . . . . . . . . . . . . 9 2.2.1 acatech Data-Science-

Schlüsselkompetenzen . . . . . . . . . . . . . . . . . . . . 9 2.2.2 EDISON Data Science Framework (EDSF) . . . . . 9 2.2.3 Data Literacy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2.4 CRISP-DM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2.5 IT-Skills-Studie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.3 Zusammenfassung der Strukturierungsansätze . . . . 10

3. Data-Science-Perspektiven . . . . . . . . . . . . . . . . . . . . . . . 12 3.1 Persona A: Master of Data Science (M.Sc.) . . . . . . . 12 3.2 Persona B: Master of Data Science (M.Sc.)

außerhalb der Informatik und Mathematik . . . . . . 13 3.2.1 Persona B.1: M.Sc. Data Science (in Domäne) . . 14 3.2.2 Persona B.2: M.Sc. in Domäne mit Data-

Science-Kompetenzen . . . . . . . . . . . . . . . . . . . . . 14 3.3 Persona C: Weiterbildung zum Data Scientist . . . . 15 3.3.1 Persona C.1: Basic Data Scientist . . . . . . . . . . . . 15 3.3.2 Persona C.2: Advanced Data Scientist . . . . . . . . 15

4. Lern- und Ausbildungsinhalte für Data Science . . . . . 17 4.1 Persona A: Master of Data Science (M.Sc.) . . . . . . . 19 4.2 Persona B.1: Master of Data Science (M.Sc.)

(in der Domäne) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.4 Persona C.1: Basic Data Scientist . . . . . . . . . . . . . . . 23 4.5 Persona C.2: Advanced Data Scientist . . . . . . . . . . . 25

5. Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Anhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Anhang 1: Aufschlüsselung der Data-Scientist-Lerninhalte . . . . . . . . . . . . . . . . . . . . . . . . . 30

Anhang 2: Notwendige Voraussetzungen Persona B und C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Autorinnen und Autoren . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Impressum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

INHALT


Sehr geehrte Damen und Herren, liebe Leserin, lieber Leser,

die Begriffe „Künstliche Intelligenz“, “Big Data” und „Data Science“ gehören zu den am meisten “gebrauchten” der letzten Jahre. Die sogenannte „Künstliche Intelligenz“ (Artifi cial Intelligence) beschreibt dabei – jenseits des Marketingsprechs – die Erforschung „intelligenten“ Prob-lemlösungsverhaltens sowie die Entwicklung „intelligenter“ Computersysteme. Dabei sind Methoden der Künstlichen Intelligenz, insbesondere des maschinellen Lernens und des Deep Learning mit künstlichen neuronalen Netzen, auf große Datenmengen in hinreichender Qualität angewiesen.

“Big Data” bezeichnet Datenmengen, die zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie mit manuellen und herkömmlichen Methoden der Datenverar-beitung auszuwerten. Der große Datenumfang (Volume), die Geschwindigkeit, mit der die Datenmengen generiert und transferiert werden (Velocity), die Bandbreite der Datentypen und -quellen (Variety) sowie die Echtheit von Daten (Vera-city) zeichnen dabei diese Daten aus. Erweitert wird diese Defi nition häufi g um die den unternehmerischen Mehrwert (Value) und die Sicherstellung der Datenqualität (Validity).

Aufgrund der wissenschaftlichen und technologischen Ent-wicklungen in den Bereichen Big Data und der Künstlichen Intelligenz, die auch Methoden jenseits des maschinellen Lernens beinhalten – etwa die Mensch-Technik-Interaktion, wissensbasierte Systeme oder mathematische Logik – rückt insbesondere die Wissenschaft im Umgang mit Daten zuneh-mend in den Fokus.

Der Schwerpunkt dieser sogenannten „Data Science“ liegt dabei nicht bei den Daten selbst, sondern auf der Art und Weise, wie diese verarbeitet, aufbereitet, analysiert und in Entscheidungen umgesetzt werden. Data Science beschäf-tigt sich mit einer zweckorientierten Datenanalyse und der systematischen Generierung von Entscheidungshilfen und -grundlagen, um Wettbewerbsvorteile erzielen zu können.

Dieses neue Wissenschaftsfeld an der Schnittstelle zu ver-schiedenen Anwendungsbereichen – sowohl für Forschung als auch für die Lehre – erfährt einen enormen Bedeutungs-zuwachs. Deshalb hat die Gesellschaft für Informatik e.V. vor zwei Jahren die Task-Force „Data Science“ ins Leben gerufen. Diese interdisziplinäre Arbeitsgruppe geht der Frage nach, was einen Data Scientist in Abgrenzung zu bestehenden Wissenschaftsdisziplinen wie der Informatik ausmacht und

GELEITWORT

IhrPETER LIGGESMEYERPast-President und Sprecher der Präsidiums-Task-Force „Data Science“ der Gesellschaft für Informatik e.V.

IhrMICHAEL GOEDICKEVize-Präsident der Gesellschaft für Informatik e.V.

Peter LiggesmeyerMichael Goedicke

welche Kompetenzen ein Datenwissenschaftler und eine Datenwissenschaftlerin mitbringen müssen.

Im November 2019 hat das Kabinett Eckpunkte einer Da-tenstrategie der Bundesregierung mit vier Handlungsfel-dern beschlossen: So sollen die Datenbereitstellung und der Datenzugang verbessert, eine verantwortungsvolle Datennutzung befördert, die Datenkompetenz in der Gesell-schaft erhöht und der Staat zum Vorreiter einer Datenkultur gemacht werden. Die Gesellschaft für Informatik e.V., die mit 20.000 Mitgliedern die größte Fachgesellschaft für Informatik im deutschsprachigen Raum ist, will diese Entwicklungen maßgeblich mitgestalten.

Diese Publikation einer interdisziplinären Autorenschaft ist in Zusammenarbeit mit der Plattform Lernende Systeme entstanden und soll mit der Ausgestaltung von Studiengän-gen sowie von Aus- und Weiterbildungsangeboten helfen, die richtigen Themen im Bereich Data Science zu adressieren.

Wir wünschen viel Spaß bei der Lektüre.


Data Science wird sowohl in der Wirtschaft als auch in den (angewandten) Wissenschaften als eine der Schlüsseldis-ziplinen unserer Zeit angesehen. Die Politik hat das aufge-griffen und die Ausbildung von Data-Science-Expertinnen und -Experten zu einem Kernanliegen erklärt. Ziel ist es, Data Science und den Umgang mit Daten in allen Bereichen, insbesondere aber in den Hochschulen und Universitäten, zu einem zentralen Wissenschaftsfeld auszubauen.

Aufgrund der wachsenden Bedeutung dieses neuen Wissen-schaftsfeldes und der großen Relevanz für die Informatik hat der Vorstand der Gesellschaft für Informatik (GI) 2018 den Arbeitskreis „Data Science/Data Literacy“ ins Leben gerufen, der es sich gemeinsam mit Partnern anderer Wissenschafts-disziplinen aus den Natur- und Lebenswissenschaften zum Ziel gemacht hat, Empfehlungen für die Entwicklung von Studien- und Weiterbildungsangeboten auszusprechen.

Unter Beteiligung der Plattform Lernende Systeme wurde dieses Arbeitspapier zu Lern- und Ausbildungsinhalten im Bereich Data Science entwickelt. Dazu wurde einerseits ein Set an Lern- und Ausbildungsinhalten in 14 Kompetenz-feldern identifi ziert: Grundlagen sowie Fortgeschrittene Mathematik (1&2) und Informatik (3&4), Kryptographie und Sicherheit (5), Datenethik und Data Privacy (6), Data Gover-nance (7), Datenintegration (8), Datenvisualisierung (9), Data Mining (10), Maschinelles Lernen (11), Business Intelligence (12), Domänenspezifi sche Anwendungen und Kommunikation mit Fachexperten (13) und die Implementierung von Data Science in der Organisation (14).

Diese Kompetenzfelder wurden in Anlehnung an die Ander-son-Krathwohl-Taxonomie zur Profi lierung von drei idealty-pischen Personengruppen jeweils nach den drei kognitiven Prozessdimensionen (Verständnis-Level) Verstehen (L1), Anwenden (L2) und Analysieren (L3) bewertet:

• Persona A besitzt demnach einen Bachelor in Informa-tik,Mathematik / Statistik oder ggf. in Data Science und verfügt damit über Kenntnisse in Statistik, in Information Engineering oder Künstliche Intelligenz (KI), kann dies über entsprechende ECTS nachweisen und möchte einen Master in Data Science erwerben, um später als Data Scientist in der Industrie oder Forschung tätig zu sein.

• Persona B hat Kompetenzen eines Bachelor in einer Domänenwissenschaft (dies kann ein technisches oder naturwissenschaftliches Fach sein, aber auch ein Fach im Bereich der Geistes- bzw. Kulturwissenschaften) und will Data-Science-Kompetenzen für die Domäne erwerben.

• Persona C steht mitten im Beruf und kann bereits ein-schlägige informatische und mathematische Kenntnisse nachweisen. Sie will Data-Science-Kompetenzen für die praktische Anwendung im Job erwerben.

Diese Herangehensweise soll es den Leserinnen und Lesern ermöglichen, einen schnellen Überblick über die Anforde-rungen an mögliche Hochschul- und Weiterbildungspro-gramme im Bereich Data Science zu erlangen. So entstehen unterschiedliche Profi le für unterschiedliche bildungsbiogra-fi sche Hintergründe und Ziele.

ZUSAMMENFASSUNG


Wikipedia definiert Data Science nüchtern und allgemein als „Extraktion von Wissen aus Daten“.1 Einer weiteren Definition in der wissenschaftlichen Literatur nach ist Data Science ein Gebiet, das Wissen in Statistik, Hard- und Software sowie Anwendungsdomänen umfasst [Cleveland 2001]. Im Koali-tionsvertrag der aktuellen Bundesregierung, und darüber hinaus, wird Data Science als eine der Schlüsseldisziplinen unserer Zeit angesehen. Data Science, so das erklärte Ziel, soll in Zukunft in allen Bereichen, insbesondere aber in den Hochschulen, zu einem zentralen Wissenschaftsfeld ausge-baut werden.

Dieses Papier geht der Frage nach, was Data Science ei-gentlich ist und welche Fertigkeiten damit verbunden sind. Ziel dieses Papiers ist es, den Verantwortlichen für Lehre in Hochschulen und Universitäten sowie für Aus- und Wei-terbildung in Unternehmen Orientierung zum Thema Data Science zu geben. Es richtet sich an Verantwortliche, die mit der Entwicklung von Data-Science-Curricula befasst sind, an Entwicklerinnen und Entwickler von Weiterbildungsprogram-men, Praktikerinnen und Praktiker, die im Bereich datenge-stützter Geschäftsentwicklung und -prozesse tätig sind sowie an die interessierte Öffentlichkeit.

1.1 WAS IST DATA SCIENCE?Data Science ist ein interdisziplinäres Wissenschaftsfeld, welches durch die Anwendung wissenschaftlich fundierter Methoden, Prozesse, Algorithmen und Systeme die Extrak-tion von Erkenntnissen, Mustern und Schlüssen sowohl aus strukturierten als auch aus unstrukturierten Daten ermög-licht. Nach einer Definition der acatech beschäftigt sich Data Science damit, wie sehr große Datenmengen erhoben, verarbeitet, aufbereitet und analysiert werden können. Laut acatech2 lässt sich Data Science in vier Kernbereiche eintei-len:

1. Data Engineering umfasst alle Methoden und Prozesse, die für die Speicherung, den Zugriff sowie die Rückverfolgbar-keit von Daten nötig sind.

2. Data Analytics beschäftigt sich mit der Datenanalyse. 3. Data Prediction befasst sich mit der Vorhersage von The-

men und Situationen auf Basis von Erfahrungswissen. 4. Maschinelles Lernen ist ein Querschnittsbereich zu den

anderen drei Bereichen und steht für die Entwicklung von

1 https://de.wikipedia.org/wiki/Data_Science#cite_note-1 (01. Juli 2019).

2 https://www.acatech.de/wp-content/uploads/2019/02/acatech_NKM_Data_Science_WEB-2.pdf (01. Juli 2019).

Algorithmen, die aus Daten (Erfahrungswissen) lernen, dabei Muster erkennen, Modelle generieren und darauf aufbauend Themen und Situationen vorhersagen können.

Der Schwerpunkt der Data Science liegt dabei nicht auf den Daten selbst, sondern auf der Art und Weise, wie diese verarbeitet, aufbereitet und analysiert werden. Data Science beschäftigt sich mit einer zweckorientierten Datenanalyse und der systematischen Generierung von Entscheidungshil-fen und -grundlagen, um Wettbewerbsvorteile erzielen zu können.

Wie bereits deutlich wurde, weist das Feld der Data Science starke Bezüge zum Maschinellen Lernen auf. Häufig werden weitere Bezüge zur Künstlichen Intelligenz hervorgeho-ben. „Künstliche Intelligenz definiert Herausforderungen, die es zu lösen gilt, und entwickelt Lösungsansätze. Beim Maschinellen Lernen steht das Erlernen der Lösungen im Vordergrund.“ [KerstinTresp2019] Die einzelnen Schritte im Data-Science-Prozess können daher dazu dienen, die sol-cherart definierten Herausforderungen z. B. über maschinelle Lernverfahren zu meistern.

Das Thema Data Science und die Identifizierung der notwen-digen Kompetenzen ist sowohl für die Unternehmenspraxis als auch für Lehre und Forschung an den Hochschulen von großer Relevanz. Im Unternehmensumfeld ist das Thema häufig im Bereich Business Intelligence angesiedelt. Unter-nehmen aus allen Branchen suchen händeringend die auf große Datenmengen spezialisierten Analysten oder sehen die Notwendigkeit, diese selbst aus- und weiterzubilden. Bereits vor zwei Jahren ging die Unternehmensberatung McKinsey von 150.000 offenen Stellen allein in den Vereinigten Staaten aus. Diese Zahl dürfte heute noch größer sein.

In der Wissenschaft beschäftigt sich Data Science mit unterschiedlichen Teilbereichen und kann daher vor dem Hintergrund verschiedener akademischer Disziplinen betrie-ben werden: Informatik, Statistik, Mathematik, Natur- oder Wirtschaftswissenschaften, einschließlich des Maschinellen Lernens, des Statistischen Lernens, der Programmierung, der Datentechnik, der Mustererkennung, der Prognostik, der Modellierung von Unsicherheiten und der Datenlagerung. Mittlerweile existiert eine Reihe von Data-Science-Bache-lor- und -Masterstudiengängen. [Lübcke2018] konstatiert,

1. HINTERGRUND


dass die Hochschulen und Universitäten in Deutschland seit dem Jahr 2014 verstärkte Anstrengungen unternehmen, um das Spektrum an Studienangeboten im Bereich Data Science kontinuierlich zu erweitern.3

1.2 „DATA SCIENCE/DATA LITERACY“ IN DER GESELLSCHAFT FÜR INFORMATIKAufgrund der wachsenden Bedeutung dieses neuen Wissen-schaftsfeldes an der Schnittstelle zu verschiedenen Anwen-dungsbereichen – sowohl für die Industrie, die Forschung und Wissenschaft als auch für die Lehre – hat der Vorstand der Gesellschaft für Informatik (GI) 2018 die Task-Force „Data Science/Data Literacy“4 ins Leben gerufen. Dieser interdis-ziplinäre Vorstandsarbeitskreis ging der Frage nach, was die Data Science in Abgrenzung zu bestehenden Wissenschafts-disziplinen ausmacht und welche Kompetenzen ein Daten-wissenschaftler und eine Datenwissenschaftlerin mitbringen müssen.

Unter Beteiligung von mehr als 80 Expertinnen und Experten und in mehreren Workshops entstanden diverse Publikatio-nen:• In einem Studienprojekt für das Hochschulforum Digita-

lisierung wurden zunächst die grundlegenden digitalen Kompetenzen in der Breite der Studierendenschaft iden-tifiziert: Dazu gehört Data Literacy bzw. die grundsätzliche Fähigkeit des planvollen Umgangs mit Daten. Im Gegensatz zu Data Science liegt der Fokus auf der Vermittlung von be-darfsgerechtem, disziplinenübergreifendem Know-how, um datengestützt arbeiten und entscheiden zu können.5

• Ein Policy-Paper der Task-Force in Zusammenarbeit mit Vertreterinnen und Vertretern der Deutschen Mathe-matiker-Vereinigung e.V., der Deutschen Physikalischen Gesellschaft e.V. und der Gesellschaft Deutscher Chemiker e.V. beschäftigt sich mit „Data Literacy und Data Science Education: Digitale Kompetenzen in der Hochschulausbil-dung“.6

Im Vorfeld der Erstellung dieses White Papers hat sich der Arbeitskreis noch einmal auf eine kleine Expertengruppe kondensiert. Dabei hat sich insbesondere die breite Beteili-gung aus unterschiedlichen wissenschaftlichen Disziplinen

3 https://his-he.de/fileadmin/user_upload/Publikationen/Forum_Hochschulentwicklung/Forum_HE_201801_Web.pdf (08. November 2019).

4 https://gi.de/datascience/ (08. November 2019).

5 https://gi.de/datascience/ (08. November 2019).

6 https://gi.de/fileadmin/GI/Hauptseite/Aktuelles/Aktionen/Data_Literacy/GI_DataScience_2018-04-20_FINAL.pdf (08. November 2019).

7 www.plattform-lernende-systeme.de (11. November 2019).

sowie der Unternehmenspraxis als Herausforderung heraus-gestellt. All diese Gruppen haben unterschiedliche Interes-sen am Thema und einen unterschiedlichen Blick darauf. Konsens bestand aber bei allen Beteiligten darüber, dass es wünschenswert sei, Data-Science-Kernkompetenzen zu iden-tifizieren – sowohl für die Weiterbildung in Unternehmen als auch für die Lehre an Universitäten und Hochschulen.

1.3 PLATTFORM LERNENDE SYSTEME: TECHNOLOGISCHE WEGBE-REITER UND DATA SCIENCEAuch die Plattform Lernende Systeme7, die vom Bundesmi-nisterium für Bildung und Forschung (BMBF) auf Anregung des Fachforums Autonome Systeme des Hightech-Forums und acatech – Deutsche Akademie der Technikwissenschaf-ten initiiert wurde, sieht Data Science als eine Schlüssel-qualifikation in der akademischen Ausbildung. Die Plattform Lernende Systeme vereint Expertise aus Wissenschaft, Wirtschaft, Politik und Gesellschaft, und unterstützt den wei-teren Weg Deutschlands zu einem international führenden Technologieanbieter für Lernende Systeme. Sie versteht sich als ein Ort des Austauschs und der Kooperation. In sieben interdisziplinären und branchenübergreifenden Arbeitsgrup-pen (AG) arbeiten rund 200 Expertinnen und Experten aus Wissenschaft, Unternehmen unterschiedlicher Größe, Politik und Zivilgesellschaft zusammen und erörtern im regelmä-ßigen Austausch technologische, wirtschaftliche, rechtliche und gesellschaftliche Fragen, die mit der Entwicklung und Einführung von Lernenden Systemen und Künstlicher Intelli-genz verbunden sind.

Die Arbeitsgruppe 1 „Technologische Wegbereiter und Data Science“ befasst sich mit den technologischen Grundlagen und Enablern von Lernenden Systemen. Sie übernimmt innerhalb der Plattform eine Querschnittsfunktion und gibt Impulse an alle weiteren Arbeitsgruppen. Eine Leitfra-ge ihrer Arbeit ist, wie die Ausbildung von Forscherinnen, Forschern und Fachkräften für Maschinelles Lernen und Data Science an Hochschulen weiter verbessert werden kann, damit deutschlandweit Faktoren geschaffen werden, die den schnellen und erfolgreichen Einsatz von Maschinellem Lernen und Data Science begünstigen.


Weitere zentrale Fragestellungen der Arbeitsgruppe 1 befassen sich mit dem Potenzial wichtiger Forschungsfel-der bei Künstlicher Intelligenz, maschinellem Lernen und Data Science für disruptive Anwendungen, den Stärken und Schwächen der KI-Forschung in Deutschland sowie dem Wis-senstransfer von der Forschung in die Anwendung.

Das vorliegende Papier ist in Kooperation mit der Arbeits-gruppe 1 „Technologische Wegbereiter und Data Science“ der Plattform Lernende Systeme entstanden und wird explizit von ihr befürwortet.

1.4 VORGEHEN DES ARBEITSKREISESDer GI-Arbeitskreis „Data Science/Data Literacy“ hat eine Reihe von Lerninhalten, Kompetenzen und Fähigkeiten iden-tifiziert und diese drei verschiedenen Personas zugeordnet. So erhalten Leserinnen und Leser Anhaltspunkte, welche Qualifikationen auf dem Weg zum Data Scientist vermittelt werden sollten. Diese drei Personas repräsentieren unter-schiedliche Adressaten mit unterschiedlichen Bildungsbio-grafien.

Die Ergebnisse der Arbeit des Arbeitskreises halten Sie in Ihren Händen. Das vorliegende White Paper gibt Empfehlun-gen zur Ausgestaltung und Professionalisierung von Kom-petenzprofilen im Bereich Data Science. Die Autorinnen und Autoren freuen sich über Feedback unter [email protected] und wollen in jährlichem Turnus auf das Papier blicken, um ggf. neue Entwicklungen in den Datenwissenschaften, den Tech-nologien und ihren Anwendungsbereichen aufzunehmen.


Die Datenwissenschaft ist keine Erfi ndung der letzten Jahre: Der Begriff „Data Science“ stammt aus den Anfängen der Datenhaltung und -analyse, die bis in die 1960er-Jahre zu-rückgehen. Mit der zunehmenden Bedeutung von „Big Data“ rückte die Wissenschaft der Daten verstärkt in den Fokus. Die Bedeutung der statistischen Datenanalyse für ein Verständ-nis von Daten - gerade für große Datenmengen - wurde etwa von John Tukey bereits in einem Artikel von 1962 vorhergese-hen. Ein Informatik, Statistik, Mathematik und Anwendungs-domänen umspannendes Curriculum für Data Science wurde 2001 vorgeschlagen [Cleveland2001]. Der Schwerpunkt der Data Science liegt dabei nicht bei den Daten selbst, sondern auf der Art und Weise, wie diese verarbeitet, aufbereitet und analysiert werden. Data Science beschäftigt sich mit einer zweckorientierten Datenanalyse und der systematischen Generierung von Entscheidungshilfen und -grundlagen.

Im Unternehmensumfeld ist das Thema häufi g im Bereich Business Intelligence angesiedelt; in einem Beitrag im Harvard Business Manager hat Tom Davenport Data Scien-ce zum „attraktivsten Beruf des 21. Jahrhunderts“ gekürt.8

Mittlerweile existiert in Deutschland und international eine Reihe von Data-Science-Studiengängen auf Bachelor- und auf Master-Niveau.

Abbildung 1: Die Anforderungen an Data Science an der Schnittstelle zwischen

Datenmanagement, Datenanalyse und Anwendungsbezug

8 https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century (07. November 2019).

Volker Markl weist zu Recht darauf hin, dass in der Vergan-genheit die Disziplinen der Datenanalyse und der skalier-baren Datenverarbeitung nicht eng genug miteinander verzahnt waren, was jedoch für einen souveränen Umgang mit großen Datenmengen von geringer Latenz erforderlich ist [Markl2015]. Zudem sind das Wissen aus der Anwendungs-domäne und die juristischen und gesellschaftlichen Implika-tionen zu beachten. Markl vergleicht deshalb die anspruchs-vollen Anforderungen, die auf den Data Scientist projiziert werden, mit der Suche nach der eierlegenden Wollmilchsau.

2.1 BEGRIFFSKLÄRUNGDer Begriff „Data Science“ wird in der Praxis häufi g recht schwammig verwendet und adressiert unterschiedlichste Kompetenzfelder in verschiedener Tiefe. Einigkeit herrscht allerdings darüber, dass es im Wesentlichen um die Ver-mittlung von Fachwissen in Bezug auf den Umgang mit sehr großen Datenmengen (Big Data) geht. Die GI defi niert drei Kerndimensionen von Big Data: Diese beziehen sich „[...] auf ein ansteigendes Volumen (engl. volume) der Daten, auf eine ansteigende Geschwindigkeit (engl. velocity), mit der Daten erzeugt und verarbeitet werden, und auf eine stei-gende Vielfalt (engl. variety) der erzeugten Daten“ [GI2013]. Data Science formt sich international als interdisziplinäres Wissenschaftsgebiet, das wissenschaftliche Methodiken für die Informations- und Erkenntnisgewinnung aus Daten durch Aufbereitung, Analyse und Inferenz von sehr großen, hoch-dimensionalen Datenbeständen anwendet und erforscht [DStatG2019].

Nach [acatech2017] beschäftigt sich Data Science mit der Art und Weise, wie Big Data erhoben, verarbeitet, aufbereitet und analysiert werden. Eine der vollständigsten Betrachtun-gen von Data Science und damit in Bezug stehenden Kompe-tenzen fi ndet sich im EDISON Data Science Framework (EDSF). Demnach bezeichnet der Begriff „Data Scientist“ einen „An-wender, welcher über ausreichendes Wissen und Expertise in den Bereichen Business Needs, Domänenwissen, analyti-sche Fähigkeiten, Programmierung und Systems Engineering verfügt, um den wissenschaftlichen Prozess durchgehend über alle Stufen des Big-Data-Lifecylces bis zur Lieferung eines erwarteten wissenschaftlichen oder geschäftlichen Nutzens für eine Organisation oder ein Projekt durchführen zu können“ [Edison2019]. Darüber hinaus wird der Begriff des „Data Steward“ eingeführt als „ein Profi im Umgang und

2. DATA SCIENCE: EIN ÜBERBLICK


Management von Daten, dessen Verantwortung die Planung, Umsetzung und die Verwaltung von (Forschungs-) Daten in Bezug auf Zugang, Speicherung, Suche und Präsentation umfasst“ [Edison 2019]. Der Data Steward stellt folglich das Bindeglied zwischen dem Data Scientist und den in den Domänen Forschenden dar.

Eine von vielen Praktikerinnen und Praktikern genutzte Defi-nition stammt von Drew Conway. Diese stellt Data Science als eine domänenübergreifende Disziplin dar, die in der Schnitt-menge grundlegende informatische und mathematische Kenntnisse erfordert sowie Sachkenntnis in Bezug auf die Anwendungsdomäne. Dies wird u.a. in [Kauermann2019] und [WeihsIckstadt2018] näher begründet diskutiert.

Neben dem Begriff „Data Science“ gibt es in der Literatur eine ganze Reihe von Begriffen, die sich teilweise überlap-pen [Heidrich2018]:

• „Data Management“ bezeichnet eine Disziplin in der Infor-matik, die sich mit dem Steuern, Schützen, Ausliefern und Verbessern des Werts von Daten beschäftigt.

• „Data Literacy“ bezeichnet die grundlegende Fähigkeit, Da-ten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden.

• „Information Literacy“ bezeichnet die Fähigkeit, Informati-onen aus verschiedenen Formaten zu finden, zu managen und zu verwenden.

• „Data Information Literacy“ bezeichnet die Anwendung von Information Literacy im Forschungskontext.

• „Science Data Literacy“ bezeichnet die Fähigkeit, wis-senschaftliche Daten zu verstehen, zu verwenden und zu managen.

• „Digital Literacy“ bezeichnet die Fähigkeit, Informationen unter Nutzung digitaler Technologien finden, organisieren, verstehen, evaluieren und erzeugen zu können.

• „Statistical Literacy“ bezeichnet die Fähigkeit, auszuwäh-len, was gezählt bzw. gemessen wird, wie eine zusammen-fassende Statistik erzeugt wird, welche Vergleiche damit angestellt werden dürfen und wie die Ergebnisse kommu-niziert werden sollen.

Die oben aufgeführten Begriffe stellen teilweise Teilaspekte von Data Science dar (z.B. Management von Big Data) oder bezeichnen eher grundlegende Kompetenzen im richtigen Umgang mit Daten – ohne die speziellen Herausforderungen von Big Data (wie z.B. die oben aufgeführten Literacy-Defini-tionen).

2.2 DATA-SCIENCE-KOMPETENZENUm den Begriff „Data Science“ greifbarer zu machen und abzuleiten, welche Inhalte tatsächlich vermittelt werden sollten, ist es sinnvoll, Kompetenzfelder und Wissensbau-steine zu definieren. Dazu wurden verschiedene existierende Strukturierungsansätze betrachtet und bewertet.

2.2.1 ACATECH DATA-SCIENCE-SCHLÜSSELKOMPETENZENEin Expertenpanel der acatech hat im Rahmen eines vom BMBF geförderten Projekts Schlüsselkompetenzen für Data Science identifiziert, die es neben den Kernbereichen Data Engineering, Data Analytics, Data Prediction und Maschinel-les Lernen zu fördern gilt. Dazu wurden auch verschiedene Länder bzgl. dieser Kompetenzen verglichen [acatech2017]. Die Schlüsselkompetenzen umfassen (1) Informatik auf Uni-versitätsniveau, (2) Datengetriebene Geschäftsmodelle, (3) Forschung und Entwicklung für Data Analytics, (4) Open Data bei staatlichen Daten, (5) Klarheit in den Rechtsfragen.

Vorteile: einfache, leicht zu vermittelnde KernbereicheNachteile: Fokus auf Bewertung der Schlüsselkompetenzen und nicht auf Vermittlung von Kompetenzfeldern und Wis-sensbausteinen

2.2.2 EDISON DATA SCIENCE FRAMEWORK (EDSF)Das EDSF ist aus einem Forschungsprojekt der Europäischen Union im Rahmenprogramm Horizon 2020 (Grant 675419) ent-standen. Seit Ende des Projektes wird das Framework durch die EDISON Community gewartet, welche durch die Universi-tät von Amsterdam koordiniert wird [Edison2019].

In der Version 3 des EDSF werden fünf Kompetenzgruppen definiert: Data Analytics, Data Science Engineering, Data Management, Research Methods and Project Management und Business Analytics (bzw. eine domänenspezifisch auszu-gestaltende Kompetenzgruppe). Für diese Gruppen werden 30 Kompetenzen definiert, die 52 Fähigkeiten einschließen. Parallel dazu definiert der EDISON Body of Knowledge (BoK) 23 Knowledge Areas und 207 Knowledge Units. Darüber hin-aus werden Empfehlungen für die Entwicklung von Curricula im Kontext Data Science gegeben.

Vorteile: umfassendes Kompetenz-Framework, Curricu-la-EmpfehlungenNachteile: sehr komplex, Definitionen teils nicht intuitiv, schwer vermittelbar, teilweise Redundanzen


2.2.3 DATA LITERACY[Ridsdale2015] fasst bestehende Definitionen von Data Literacy zusammen und definiert einen Kompetenzrahmen, der fünf Bereiche umfasst: (1) Einführung in Daten (konzepti-oneller Rahmen), (2) Datensammlung, (3) Datenmanagement, (4) Datenevaluation und (5) Datenanwendung. In diesen Bereichen werden 22 Kompetenzen definiert.

Auch wenn sich der Kompetenzrahmen nicht direkt auf Data Science bezieht, so scheint die grundsätzliche Strukturierung durchaus übertragbar.9

Vorteile: einfach und intuitivNachteile: Fokus auf sehr allgemeine Kompetenzen im Um-gang mit Daten; einige Spezifika von Data Science fehlen

2.2.4 CRISP-DMCRISP-DM steht für Cross-Industry Standard Process for Data Mining. Es beschreibt die für eine Data-Mining-Fragestellung essentiellen Schritte und wird branchenübergreifend in For-schung und Industrie in der Breite eingesetzt. Es wurde 1996 im Rahmen eines Forschungsprojekts der Europäischen Uni-on unter Beteiligung namhafter Industriepartner entwickelt [SPSS2000]. CRISP-DM definiert sechs Phasen bzw. Schritte, die durchlaufen werden sollten: (1) Business Understanding, (2) Data Understanding, (3) Data Preparation, (4) Modelling, (5) Evaluation und (6) Deployment.

Vorteile: einfach und intuitivNachteile: Fokus auf den durchzuführenden Prozess und nicht auf die Vermittlung von Kompetenzfeldern und Wis-sensbausteinen

2.2.5 IT-SKILLS-STUDIEDie von der Firma Data Assessment Solutions (DAS) durch-geführte IT-Skills-Studie [DAS2014] untersucht die in einem Unternehmen vorrangig benötigten Fähigkeiten und Kom-petenzen (sog. Skills), um Big-Data-Projekte realisieren zu können. Es werden fünf Skills definiert, die auf bestimmten Kompetenzniveaus (Laie/in, Kenner/in, Könner/in, Exper-

9 Der Kurs „Data8: The Foundations of Data Science“ der UC Berkeley wiederum kombiniert zur Vermittlung einer Data Literacy drei Perspektiven: Inferential Thinking, Computational Thinking und Real-World-Relevanz (http://data8.org). Einen ähnlichen Ansatz verfolgt die TU Berlin mit ihrem Kurs „Data Science - Essentials of Data Programming“ https://www.bigdama.tu-berlin.de/menue/teaching/ss_2019/data_science_essentials_of_data_programming/ (4. Dezember 2019).

10 http://dare-project.eu / https://www.kdnuggets.com/2019/10/european-approach-masters-data-science.html (08. November 2019).

11 Siehe DStatG-Positionspapier “Die Rolle der Statistik für Big Data, Data Literacy, Machine Learning, KI, Analytics und Data Science”, 2019 (https://dstatg.de/positionspapier-die-rolle-der-statistik-fuer-big-data-data-literacy-machine-learning-ki-analytics-und-data-science).

te/in) erlangt werden sollen: (1) Statistik und statistische Programmiersprachen, (2) Big-Data-Infrastruktur, (3) Busi-ness-Domänenwissen, (4) Datenintegration und -transforma-tion und (5) Präsentation und Visualisierung.

Vorteile: einfach und intuitiv, Definition von Skill-NiveausNachteile: Fehlen einiger Spezifika von Data Science

2.3 ZUSAMMENFASSUNG DER STRUKTURIERUNGSANSÄTZEDie folgende Tabelle bildet die betrachteten Ansätze aca-tech, CRISP-DM, Data Literacy und IT-Skills auf das EDISON Data Science Framework (Version 3) grob ab. Es wird deutlich, dass sich die Ansätze auf der Ebene der Gruppierung von Kompetenzen zwar recht gut aufeinander abbilden lassen, dass zugleich allerdings im Wesentlichen nur Teilaspekte der Kompetenzgruppen des EDSF von acatech, CRISP-DM, Data Literacy und IT-Skills abgedeckt werden. Beispielsweise um-fasst der Bereich „Data Analytics (DSDA)“ des EDSF deutlich mehr Kompetenzen als der Bereich „Hypothesis and Model-ling“ des CRISP-DM.

Über diese Initiativen und Projekte hinaus gibt es eine Reihe weiterer, die das Thema adressieren, wie etwa das Da.Re.-Projekt10 (Data Science Pathways to Re-imagine Education). In dem von der Europäischen Kommission finan-zierten Erasmus+-Projekt, hat ein Team aus Universitäten, Unternehmen und einem Verbund aus Italien, Portugal, dem Vereinigten Königreich, Slowenien und Serbien den Bedarf an Bildung in der Datenwissenschaft ermittelt, um Europas wachsenden sozialen und wirtschaftlichen Bedarf im öffent-lichen und privaten Sektor an Data Scientists zu decken.

Die Deutsche Statistische Gesellschaft stellt in einem Positi-onspapier11 heraus, dass Data Science Kompetenzen und Fä-higkeiten erfordert, die bisher in der Regel nur verteilt über die Fächer Informatik, Mathematik und Statistik vorlagen. Die Statistik befasst sich mit den Kernfragen für Datenver-ständnis und Wissensextraktion. Dies sind Datendeskription, Datenexploration und Datenanalyse sowie Stichprobentheo-rie und Inferenzstatistik.


In einigen der bisher angeführten Strukturierungsansätzen für Data-Science-Kompetenzen werden die Kompetenzen des kritischen Hinterfragens der Datenqualität und des ethischen Blicks auf Data Science als Teilaspekte erwähnt. Die Auswirkungen mangelhafter Datenqualität und daraus resultierende mangelhafte Modelle waren in der Vergangen-heit häufig Gegenstand öffentlicher Debatten [Beck2019].Data Scientists sollten daher darin geschult sein, ethische Problemstellungen im Data-Science-Prozess zu identifizieren. Künftige Data Scientists sollten etwa in der Lage sein, die Datenqualität aus ethischer Perspektive hinterfragen zu kön-nen, beispielsweise hinsichtlich systematischer Verzerrungen in Datensätzen, die zu diskriminierenden Modellen führen, oder bzgl. mangelndem Bewusstsein über die Schutzwür-digkeit von Daten. Der kontinuierliche kritische Blick auf die Datenqualität über ethische Gesichtspunkte hinaus ist

als wichtige Kompetenz eines Data Scientists zu werten, da die Qualität der Ergebnisse einer Datenanalyse nicht zuletzt auch von der Datenqualität abhängt. Datenethik ist somit zu den Kompetenzfeldern der Data Science zu zählen, ebenso wie die Fähigkeit zur kritischen Reflexion der Datenqualität.Insbesondere bei Forschungsdaten, bei denen es wichtig ist, dass diese entlang des Lebenszyklus ungehindert und verlustfrei „fließen“ können, wurden sogenannte „FAIR Data Principles“ formuliert. Diese Grundsätze formulieren Prinzi-pien, die nachhaltig nachnutzbare Forschungsdaten erfüllen müssen und die Forschungsdateninfrastrukturen dement-sprechend im Rahmen der von ihnen angebotenen Services implementieren sollten. Gemäß der FAIR-Prinzipien sollen Daten „Findable, Accessible, Interoperable, and Re-usable“ sein.

EDSF V3 ACATECH CRISP-DM DATA LITERACY IT-SKILLS

Business Analytics (DSBA) und Domä-nen- Spezifika

Datengetriebene Geschäftsmodelle

Business Understanding

- Business- Domänen-wissen

Data Management (DSDM)

Data Engineering Data Understanding Datensammlung Datenintegration und -transformation

Data Preparation Datenmanagement

Datenanwendung

Data Analytics (DSDA) Data Analytics Modelling Datenevaluation Statistik und statis-tische Programmier-sprachen

Data Prediction Evaluation Präsentation und Visualisierung

Maschinelles Lernen

Research Methods and Project Manage-ment (DSRMP)

Forschung und Entwicklung für Data Analytics

Modelling Konzeptioneller Rahmen

-

Open Data Evaluation Datenevaluation

Data Science En-gineering (DSENG)

Data Engineering Deployment Datenevaluation Big-Data-Infrastruktur

Rechtsfragen Datenanwendung

Abbildung 2: Vergleich unterschiedlicher Data-Science-Strukturierungsansätze


Unabhängig vom verwendeten Kompetenzrahmen hängt die Wichtigkeit und Tiefe der Vermittlung einzelner Kompetenz-bausteine von der konkreten Zielgruppe ab. Dazu unterschei-den wir grundlegend drei Personas, die in diesem Kapitel etwas differenzierter dargestellt werden:

1. Persona A besitzt in der Regel einen Bachelor in Informatik oder Mathematik bzw. Statistik oder ggf. in Data Scien-ce sowie Vorwissen in Information Engineering oder KI und kann dies über entsprechende ECTS nachweisen. Sie möchte einen Master of Data Science (M.Sc.) erwerben und später als Data Scientist in der Industrie oder Forschung tätig sein.

2. Persona B besitzt in der Regel einen Bachelor in einer Domänenwissenschaft (die von einem technisch-natur-wissenschaftlichen Fach bis zu Geistes- bzw. Kulturwissen-schaften reichen kann). Persona B.1 möchte einen Master in Data Science mit Spezialisierung in der Domäne des Bachelors erwerben und später im Bereich der Domäne als Data Scientist für Industrie und Forschung tätig sein. Persona B.2 möchte den Master in der Domänenwissen-schaft mit Spezialisierung in Data Science erwerben und in Industrie oder Forschung als Domänenexpertin bzw. -ex-perte mit einer Data-Science-Zusatzqualifikation tätig sein.

3. Persona C steht mitten im Beruf und kann gewisse infor-matische und mathematische Kenntnisse nachweisen. Persona C.1 hat das Ziel, grundlegende Basiskenntnisse zu erwerben, die jeder Data Scientist mitbringen sollte, um sie im Unternehmen einsetzen zu können. Persona C.2 beabsichtigt, Data-Science-Kompetenzen in der Breite zu vertiefen und sich als Expertin oder Experte für das Thema mit Anwendungserfahrung zu positionieren.

3.1 PERSONA A: MASTER OF DATA SCIENCE (M.SC.)Die hier beschriebene Persona wird nur für den Data-Scien-ce-Master betrachtet. Obwohl es in Deutschland bereits den Bachelor gibt (etwa an der TU Dortmund, FH Zwickau, Uni Potsdam, FH Kiel, TH Ostwestfalen-Lippe, Uni Marburg u.a.), wird dieser hier nicht betrachtet. Die Arbeitsgruppe erachtet es als sinnvoll, Schulabsolventinnen und -absolven-ten zunächst in einem der traditionellen Studienfächer zu beheimaten und ihnen dann die Möglichkeit zur Vertiefung im Master of Data Science (M.Sc.) zu ermöglichen. Dieses Vorgehen betont die Notwendigkeit einer engen Verzah-nung der Data Science mit den fachlichen Disziplinen aller Richtungen (Naturwissenschaften, Wirtschaftswissenschaf-ten, Geisteswissenschaften), die im Zuge der Digitalisierung und der Datafizierung einem disruptiven Wandel unterzogen

sind. Zudem erlaubt dieses Vorgehen die graduelle Öffnung des Data-Science-Masters für Quereinsteiger und Quer-einsteigerinnen, die bei einem konsekutiven Bachelor-/Masterstudiengang nicht möglich wäre. Für einen Masterstu-diengang sollten in der Regel eine Vorqualifikation in einem der Teilbereiche (Informatik, Mathematik, Statistik, ggfs. Naturwissenschaften mit starkem Datenbezug, Data-Scien-ce-Bachelor) und Kenntnisse in wissenschaftlicher Methodik vorausgesetzt werden. Andererseits ist Data Science oft auch im Kontext mit einer Anwendungswissenschaft (Domain) zu sehen, aus der die Studierenden einen Bachelor-Abschluss oder Arbeitserfahrungen aus der Industrie mitbringen. Grundlegende Mathematik-, Statistik- und Informatik-Kennt-nisse bilden die Voraussetzung für eine Vertiefung im Mas-terstudiengang. Der Master ist daher nur in diesem basalen Sinne konsekutiv.

Der Master of Data Science (M.Sc.) unterscheidet sich vom Informatik-Master. Beide Studiengänge teilen in der Regel lediglich Grundlagen und einige fortgeschrittene Themen der Informatik und Statistik/Mathematik gemäß der unten aufgeführten Thementabelle.

Es ergeben sich daher die folgenden Zielrichtungen:

• Abschluss/Studiengang: Master of Data Science (M.Sc.)• �Vorqualifikation/Technologie-�und�Datenkompetenz:�In der

Regel sollte ein Bachelor of Science (B.Sc.) in Informatik/Mathematik/Statistik (ggfs. auch Naturwissenschaften mit starkem Datenbezug oder Data-Science-Bachelor) und Vor-wissen in Statistik, Data Engineering oder KI vorausgesetzt werden. Einige Studiengänge setzen dies voraus.

• Ausbildung: Universitäten und Hochschulen der ange-wandten Wissenschaften

• Berufsbild/Erwartung Arbeitsmarkt: Die beiden wichtigsten Berufsbilder sind hier Data Engineers bzw. Data Scientists in der Industrie und Wissenschaftler/Wissenschaftlerinnen in der Forschung (und der Lehre). Darüber hinaus gibt es auch hier zusätzliche Berufszweige im Management oder im Bereich Business Analytics, die Erfahrung und Kenntnis-se im Umgang mit Daten/Maschinellem Lernen erfordern.

• Fokus: Im Fokus stehen daher gleichberechtigt die Anwen-dung in der Industrie – darunter auch Consulting – und die Wissenschaft/Forschung. Aber auch in anderen Bereichen wie Ethik und Politik oder in angrenzenden Feldern wie IT-Sicherheit werden Data-Science-Absolventinnen und -Absolventen benötigt.

• Interesse/Motivation: Aus den genannten Zielrichtungen ergeben sich verschiedene denkbare Motivationen für ein

3. DATA-SCIENCE-PERSPEKTIVEN


Data-Science-Studium: Qualifikation für eine wissenschaft-liche Karriere, ggf. mit Promotion, oder Karrieremöglichkeit in der Industrie, in der Absolventinnen und Absolventen mit verschiedenen Domänen (Pharmaindustrie, Handel/Marketing, Materialtechnik, Medizintechnik, Finanzwirt-schaft/E-Commerce, Transport/Logistik etc.) in Berührung kommen und dort ihr Wissen anwenden.

3.2 PERSONA B: MASTER OF DATA SCIENCE (M.SC.) AUSSERHALB DER INFORMATIK UND MATHEMATIK / STATISTIK12

Data Scientists werden sich künftig auch aus Anwendungs-domänen außerhalb der Mathematik / Statistik und Infor-matik herausbilden. Dieser Personenkreis lässt sich wie eingangs beschrieben weiter differenzieren in B.1: Bache-lor-Absolventinnen und -Absolventen in einer Domain-Wis-senschaft (Natur-/Ingenieur- oder Kultur-/Geisteswissen-schaften, d.h. mit sehr unterschiedlicher Vorbildung), die auf Basis grundlegender Kenntnisse in Datenwissenschaften (die ebenfalls erst in den Bachelorstudiengängen verankert werden müssen) ein Masterprogramm in Data Science absol-vieren möchten.

Persona B.2 betrifft analog vorgebildete Bachelor-Absolven-tinnen und-Absolventen, die im Master innerhalb der Domä-ne verbleiben, aber im Masterstudium vertiefte Data-Scien-ce-Kompetenzen erwerben möchten. Die Heterogenität der Vorkenntnisse und auch der Anforderungen im Domain-Mas-ter impliziert sehr differenzierte Betrachtungen der notwen-digen bzw. sinnvollen Ausbildungsinhalte, die in geeigneten Modulen abgebildet werden müssen.

In der Konsequenz erfordert diese Personengruppe eine komplexe Aufschlüsselung von Inhalten entsprechend der jeweiligen Vorbildung. Die Arbeitsgruppe sieht es als notwendig an, diese ggf. in Vorkursen anzugleichen, sodass ein gleichwertiger Einstieg in Masterprogramme möglich wird. In der Übersichtstabelle (Abbildung 4 auf Seite 34) beinhaltet dies den gesamten Bereich „Grundlagen Mathe-matik“, den Punkt „Programmierung“ im Bereich „Grundlagen Informatik“ sowie den Aspekt „ML Languages“ im Bereich „Maschinelles Lernen: Sprachen und Werkzeuge“. Gleichzei-tig bedeutet dies, dass – im Gegensatz zu den Mathematik-/Statistik-/Informatik-B.Sc.-Studierenden – ein Gutteil der in der Tabelle (Abbildung 4) bei Persona A verankerten Inhalte

12 Die Arbeitsgruppe sieht einen Data-Science-Bachelor mit anschließendem Master in einem Domänen-Bereich als nicht zielführend an, da die fachspezifi-schen Grundkenntnisse nur im Bachelorstudiengang erworben werden können; zudem würde dies auch mit den typischen Zugangsvoraussetzungen kollidieren.

erst im Masterprogramm eingeführt werden muss. Zudem werden die Inhalte bei Persona B.1 (Master of Data Science in der Domäne) und Persona B.2 (Data-Science-Kompetenzen bei Schwerpunktausbildung innerhalb der Domäne) jeweils unterschiedlich gewichtet (auch je nach Pflicht- bzw. Wahl-pflichtbereich und im Sinne der verschiedenen Kompetenz-level), um allein dem zeitökonomischen Faktor Rechnung zu tragen.

Besondere Herausforderungen bestehen bezüglich der Zulassungsmodalitäten. Masterstudiengänge in Data Science müssen explizit für Nicht-Mathematiker/innen, Nicht-Statis-tiker/innen und Nicht-Informatiker/innen geöffnet werden, wobei die konkrete Ausgestaltung der notwendigen, je nach akademischer Herkunft sehr heterogenen Vorbereitungs-kurse besondere Betreuung durch Studienkoordinierende erfordert.

Im Vergleich der beiden Personas B.1 und B.2 lässt sich die Persona B.2 voraussichtlich schwieriger umsetzen, da die notwendigen Module stärker gestrafft und auf die Domäne ausgerichtet sein müssen. Dies erfordert spezielle Struktu-ren, die nicht ohne Weiteres aus dem Data-Science-MA-Pro-gramm übernommen, sondern speziell adaptiert werden müssen. Dafür wird in der Anfangszeit ein erhöhter Personal-einsatz von Seiten der Data-Science-orientierten Fakultäten verlangt, ggf. unterstützt durch externe Lehraufträge. Nach der Etablierungsphase wird es möglich sein, auch aus der Domänenwissenschaft heraus geeignetes Lehrpersonal zu rekrutieren und auszubilden. Gleichzeitig erfordert die Eta-blierung von Persona B.2 die aktive Mitwirkung von Curricu-larkommissionen der Fachgesellschaften sowie der Studien-ausschüsse an den Fakultäten selbst, um den Mehraufwand durch geeignete Reduktion an anderer Stelle in Grenzen zu halten. Da in Master-Programmen in der Regel große Teile dem Wahlpflichtbereich zuzuordnen sind, sollte dies flexibel möglich sein.

Persona B.1 hingegen lässt sich strukturell leichter realisie-ren, wenn auf Master-Module für Persona A zurückgegriffen werden kann. Die Herausforderung besteht vielmehr auf Seiten der Domänenwissenschaft, die kompakte Kurse bzw. Module bereitstellen muss, die datenwissenschaftlichen Bezug aufweisen. Auch wenn dies auf Basis aktueller Fra-gestellungen sicher möglich ist und weiter vertieft werden


kann, bietet sich insbesondere die gemeinsame Projekt- bzw. Praktikumsarbeit im Team an, sofern die Personas B.1 und B.2 faktisch wegen ihrer unterschiedlichen Studienschwer-punkte zusammengebracht werden können. Dies kann somit gleichzeitig auch ein sinnvolles Modell für die Ausbildung von Persona B.2 darstellen.

3.2.1 PERSONA B.1: M.SC. DATA SCIENCE (IN DOMÄNE)Hierbei handelt es sich um Bachelor-Absolventinnen und -Absolventen in einer Domain-Wissenschaft (Natur-/Inge-nieur- oder Sozial-/Geisteswissenschaften, d.h. mit sehr unterschiedlicher Vorbildung), die auf Basis grundlegender Kenntnisse in Datenwissenschaften ein Masterprogramm in Data Science absolvieren möchten:

• Abschluss/Studiengang: M.Sc. (Domain) Data Science (mit Schwerpunkt in den Natur- und Lebenswissenschaften, z.B. in Physik, Chemie, Biologie, aber auch Sozial- und Geistes-wissenschaften, z.B. Rechtswissenschaft, Literaturwissen-schaft, Psychologie, Journalistik etc.)

• Vorqualifikation/Technologie-�und�Datenkompetenz:�Selbst in der Gruppe der Bachelor-Absolventinnen und -Absolventen aus den Natur- und Ingenieurwissenschaf-ten bestehen große Unterschiede, gravierender ist jedoch die unzureichende Grundausbildung in mathematisch-/informatischen Techniken innerhalb der Geistes- und Kulturwissenschaften. Diese Voraussetzungen müssen im Bachelor-Bereich bzw. in Vorkursen entsprechend ausge-glichen werden. Eine große Rolle hierbei spielen „Studium Generale“-basierte Qualifikationskurse in „Data Literacy“, deren Einrichtung von verschiedenen Hochschulen ange-strebt wird. Für erstere Gruppe kann häufig ein Defizit in Statistik und Informatik identifiziert werden, wohingegen die Grundlagen der Mathematik in der Regel bekannt sind bzw. gezielt vertieft werden können.


• Berufsbild/Erwartung Arbeitsmarkt: Die beiden wichtigs-ten Berufsbilder sind hier die/der Data Engineer und Data Scientist für die Industrie und die Wissenschaftlerin/der Wissenschaftler für Forschungsprojekte/Promotion etc., zunehmend auch die/der Data Steward. Weiterhin gibt es auch hier Berufsbilder im Management oder als Business Analyst mit Erfahrung und Kenntnissen im Umgang mit Daten, Data Mining oder Machine Learning. Zunehmend wichtig werden Spezialisten im Bereich des (Forschungs-)Datenmanagements in forschungsintensiven Branchen, die eine Brückenfunktion zwischen „Datenerzeugern“ (aus

experimentellen bzw. empirischen Quellen) und „Daten-verwertern“ (z.B. Modellierung) ausfüllen.

• Fokus: Im Vordergrund stehen daher gleichberechtigt die Anwendung in der Industrie – darunter auch Consulting – und die Wissenschaft/Forschung. Aber auch in anderen Bereichen wie Ethik und Politik oder in benachbarten Gebieten wie IT-Sicherheit werden Absolventinnen und Absolventen mit Data-Science-Qualifikationen dringend benötigt.

• Interesse/Motivation: Aus der obigen Zielrichtung ergibt sich einerseits eine Motivation, die auf eine wissenschaft-liche Karriere, ggf. mit Promotion, ausgerichtet ist. Ande-rerseits werden Absolventinnen und Absolventen in der Industrie immer mit verschiedenen Domänen in Berührung kommen und dort das gelernte Wissen anwenden, etwa in der Pharmaindustrie, Chemie, Handel/Marketing, Materi-altechnik, Medizintechnik, Finanzwirtschaft/E-Commerce, Transport/Logistik etc.

3.2.2 PERSONA B.2: M.SC. IN DOMÄNE MIT DATA-SCIENCE-KOMPE-TENZENHierbei handelt es sich um analog vorgebildete Bachelor-Ab-solventinnen und -Absolventen, die im Master innerhalb der Domäne verbleiben, aber im Rahmen des Masters vertiefte Data-Science-Kompetenzen erwerben möchten.

• Abschluss/Studiengang: M.Sc. Domänenwissenschaft (z.B. Physik, Chemie, Literaturwissenschaft, Journalistik, Jura etc.)

• Vorqualifikation/Technologie-�und�Datenkompetenz: Wie bei Persona B.1 bestehen selbst in der Gruppe der Bache-lor-Absolventinnen und -Absolventen aus den Natur- und Ingenieurwissenschaften große Unterschiede, verschärft wird das Problem noch durch die oft unzureichende technische/formale Grundausbildung in den Geistes- und Kulturwissenschaften. Diese Voraussetzungen müssen im Bachelor-Bereich entsprechend ausgeglichen werden (s. bei Persona B.1). Gleiches gilt für die heterogene mathema-tische Ausbildung mit häufig anzutreffenden Defiziten im Bereich Statistik.


• Berufsbild/Erwartung Arbeitsmarkt: Hier steht die er-worbene Zusatzqualifikation im Vordergrund, sodass die üblichen Berufsbilder der in den Domänen Forschenden weitgehend erhalten bleiben, aber für die Absolventinnen und Absolventen neue Perspektiven entsprechend aktuel-ler Anforderungen eröffnet werden, sowohl im Promotions-


als auch im Unternehmensbereich. Besonders Fähigkeiten im Umgang mit großen Datenmengen und grundlegende Kenntnisse im Machine Learning werden zunehmend eine große Rolle spielen, ebenso das Profil des Data Stewards.

• Fokus: Sowohl in der Industrie als auch im Bereich Wissen-schaft werden entsprechend weiterqualifizierte Personen eine wichtige Rolle als Vermittler zwischen Informatik/Mathematik/Statistik und der Anwendung in der Domäne spielen. Der Fokus des Profils liegt somit insbesondere in der Teamarbeit. Gleichzeitig wird diese Personengruppe eine wichtige Rolle im Bereich der Translation moderner Methoden der Data Science in Grundlagen- und Anwen-dungsprojekte spielen und somit als Innovationsmotor wirken.

• Interesse/Motivation: Aus der obigen Zielrichtung ergibt sich eine Motivation, die auf eine wissenschaftliche Karrie-re, ggf. mit Promotion, oder eine Karriere im Unternehmen ausgerichtet ist. Grundsätzlich dominiert aber die intrinsi-sche Motivation der Domäne, sodass Absolventinnen und Absolventen innerhalb der Domain-Peergroup weiterhin als gleichqualifiziert und -berechtigt angesehen werden.

3.3 PERSONA C: WEITERBILDUNG ZUM DATA SCIENTISTPersona C fokussiert auf das Thema Weiterbildung im Kon-text von Data Science. Schon jetzt zeichnet sich ab, dass der Bedarf an Data Scientists nicht alleine durch die Hochschul-ausbildung von Studierenden gedeckt werden kann, son-dern auch dedizierte Weiterbildungsprogramme aufgesetzt werden müssen, um Mitarbeitende von Unternehmen und Arbeitssuchende entsprechend qualifizieren zu können.

Hierbei kann man zwei Ausbildungsziele unterscheiden: Per-sona C.1 hat zum Ziel, grundlegende Basiskenntnisse zu ver-mitteln, die jeder Data Scientist mitbringen sollte. Persona C.2 baut auf dem Basic Data Scientist auf und hat zum Ziel, Kompetenzen in der Breite zu vertiefen und damit einem Hochschulstudiengang M.Sc. Data Science näher zu kommen.

3.3.1 PERSONA C.1: BASIC DATA SCIENTISTDas Zielbild einer Persona für die Vermittlung grundlegen-der Kompetenzen im Weiterbildungsbereich wurde wie folgt entworfen:

• Abschluss/Studiengang: Basic Data Scientist (Weiterbil-dung)

• �Vorqualifikation/Technologie-�und�Datenkompetenz: Als Vorqualifikation gibt es keine Einschränkung auf bestimm-

te Abschlüsse oder Studiengänge, sofern gewisse informa-tische Kenntnisse (wie Programmierkenntnisse, Umgang mit Skriptsprachen und Datenbankmanagementsystemen) und mathematische Kenntnisse (wie Stochastik, Kombina-torik, Statistik, Optimierung und Numerik) nachgewiesen werden können. Für die Erlangung dieser Vorqualifikati-on bieten sich z.B. Vorkurse oder Einstiegssemester mit dezidierten Modulen zu Grundlagen der Informatik und Mathematik an.

• Ausbildung: Universitäten und Hochschulen der ange-wandten Wissenschaften (z.B. als Fern- oder Ergänzungs-studium), Forschungseinrichtungen oder private Weiterbil-dungsanbieter

• Berufsbild/Erwartung Arbeitsmarkt: Die angestrebten Berufsbilder in der Industrie sind Data Scientist, Data Engineer, Data Manager, Data Analyst oder Daten-Stratege/in. Die Erwartungshaltung an Absolventinnen und Absol-venten wäre die Rolle eines Berufsanfängers, der selbstän-dig kleinere Anwendungsaufgaben lösen kann, aber von erfahrenen Mitarbeitern und Mitarbeiterinnen angeleitet werden muss.

• Fokus: Im Fokus steht die Anwendung in der Industrie – darunter auch Consulting. Aber auch in anderen Gebieten wie Ethik und Politik oder in angrenzenden Bereichen wie IT-Sicherheit werden datenwissenschaftlich qualifizierte Absolventinnen und Absolventen benötigt. Im Wesentli-chen können sie Techniken, Methoden und Werkzeuge in kleinen, überschaubaren Anwendungskontexten verant-wortlich einsetzen und verfügen über das dazu notwendige Grundlagenwissen. Ausgehend von diesen Basiskompeten-zen kann dann eine Spezialisierung, z.B. im Bereich Deep Learning oder Machine Learning, erfolgen.

• Interesse/Motivation: Die Motivation zur Basic-Data-Scien-ce-Ausbildung liegt darin, die für das aktuelle oder zukünftige Betätigungsfeld notwendigen theoretischen Grundkompetenzen zu erlangen und sie in der Praxis in kleinen, überschaubaren Anwendungskontexten einsetzen zu können. Mit dieser Qualifikation kann das Einsatzfeld von Mitarbeiterinnen und Mitarbeitern im Unternehmen verbreitert werden. Entsprechend verbessern Arbeitssu-chende ihre Chancen.

3.3.2 PERSONA C.2: ADVANCED DATA SCIENTISTDas Zielbild einer Persona für die Vermittlung tiefergehender Data-Science-Kompetenzen im Weiterbildungsbereich stellt sich wie folgt dar:


• Abschluss/Studiengang: Advanced Data Scientist (Weiter-bildung)

• Vorqualifikation/Technologie-�und�Datenkompetenz: Als Vorqualifikation für den Advanced Data Scientist gilt eine erfolgreiche Absolvierung der Basic-Data Scientist-Aus-bildung. Die praktische Anwendung der im Rahmen der Basic-Ausbildung vermittelten Techniken, Methoden und Werkzeuge auf Basis von realen Daten ist dabei wün-schenswert.

• Ausbildung: Universitäten und Hochschulen der ange-wandten Wissenschaften (z.B. als Fern- oder Ergänzungs-studium), Forschungseinrichtungen oder private Weiterbil-dungsanbieter

• Berufsbild/Erwartung Arbeitsmarkt: Die angestrebten Berufsbilder in der Industrie sind Data Scientist, Data Engineer, Data Manager, Data Analyst, Data Architect oder Daten-Stratege/in. Die Erwartungshaltung an Absolven-tinnen und Absolventen wäre die Rolle eines vollwertigen Team-Mitglieds, welches selbständig auch komplexere

Anwendungsaufgaben lösen und Berufsanfänger anleiten/unterstützen kann.

• Fokus: Im Fokus steht die Anwendung in der Industrie – darunter auch Consulting. Aber auch in anderen Bereichen wie Ethik und Politik oder in angrenzenden Feldern wie IT-Sicherheit werden datenwissenschaftlich qualifizierte Absolventinnen und Absolventen benötigt. Im Wesentli-chen umfasst dies die Verbreiterung des theoretischen Wissens und die Beherrschung von Techniken, Methoden und Werkzeugen in komplexeren Anwendungskontexten.

• Interesse/Motivation: Die Motivation zur Advanced-Da-ta-Scientist-Ausbildung liegt darin, für das aktuelle oder zukünftige Betätigungsfeld vertiefte theoretische Kompe-tenzen in der Breite zu erlangen und sie in der Praxis in komplexeren Anwendungskontexten einsetzen zu können. Mit dieser Qualifikation kann das Einsatzfeld von Mitar-beitern und Mitarbeiterinnen im Unternehmen verbreitert werden. Entsprechend verbessern Arbeitssuchende ihre Chancen.


Diese Empfehlungen beschreiben Themenfelder, in denen die Studierenden und Beschäftigten im Verlauf ihres Studi-ums bzw. der Weiterbildung Kompetenzen erwerben sollen. Wichtig ist die Verzahnung von Kompetenzen aus den Fä-chern Informatik und Mathematik / Statistik in den Studi-engängen. Mittels der Kompetenzbeschreibungen können gleichzeitig die curricularen Spezifika des jeweiligen Studi-engangs bzw. des Weiterbildungsangebots kompetenzori-entiert charakterisiert werden. Kompetenzen werden hier in Anlehnung an Weinert als „erlernbare kognitive Fähigkeiten und Fertigkeiten“ verstanden, die ein Individuum in einem Handlungskontext zur Problemlösung befähigen, einschließ-lich der dazu erforderlichen motivationalen, volitionalen und sozialen Handlungsdispositionen und Fähigkeiten [Weinert2001]. Kognitive und nicht-kognitive Facetten einer Kompetenz sind stets eng miteinander verbunden und kön-nen in fachbezogenen Handlungskontexten auch gemeinsam erworben werden.

Zur Beschreibung von Kompetenzfeldern orientieren sich diese Ausführungen an der sogenannten Anderson-Krath-wohl-Taxonomie (AKT-Matrix) [Anderson2001] – in Anlehnung an die von der Gesellschaft für Informatik herausgegebenen Empfehlungen für Bachelor- und Masterprogramme im Stu-dienfach Informatik an Hochschulen [GI2016].

Die etwas abgewandelte AKT-Matrix mit 4 Stufen und der Unterscheidung zwischen geringer und starker Kontextuali-sierung, die die [GI2016] für ihre curricularen Empfehlungen für Informatik-Studiengänge eingeführt und genutzt hat, wird hier zur Beschreibung der Kompetenzfelder vereinfacht, in-dem die Stufen 3 und 4 zusammengefasst werden und keine Unterscheidung zwischen geringer und starker Komplexität und Kontextualisierung gemacht wird. Die Stufen 3 (Analysie-

ren) und 4 (Erzeugen) wurden ebenfalls zusammengefasst, da der Fokus bei Data Science in der Analyse liegt und die Sys-temerzeugung in diesem Bereich keine relevante kognitive Leistung darstellt. Die verwendeten Stufen sind in Abbildung 3 dargestellt. Komplexität und Kontextualiserung als cha-rakteristische Eigenschaften von Kompetenzfeldern ergeben sich jeweils aus der Natur der Kompetenzfelder oder aus der Verwendung, sodass sie nicht explizit herausgestellt werden müssen.

Die Kompetenzgruppen-Tabelle im Anhang ist im Rahmen von kollaborativen Workshops und Austauschformaten entstanden. Diese Kompetenzfelder wurden mit den drei definierten Personas in Kapitel 3 abgeglichen und in Bezug auf zwei Dimensionen bewertet:

• �Wichtigkeit:�P=Pflichtinhalt�oder�W=Wahlpflichtinhalt Die Bedeutung der einzelnen Kompetenzfelder wurde entlang obligatorischer und optionaler Inhalte unterteilt. Dabei unterscheidet sich die Einteilung zwischen den drei Personas mitunter, da für unterschiedliche Ausbildungszie-le unterschiedliche Schwerpunkte gelegt werden.

• Kompetenzniveau: L1=Verstehen, L2=Anwenden, L3=Analy-sieren (siehe Abbildung 3) Das zu erreichende Kompetenzniveau entlang der Ander-son-Krathwohl-Taxonomie gibt Auskunft darüber, welches Kompetenzniveau die jeweilige Persona im jeweiligen Kompetenzfeld erreichen sollte.

In Abbildung 4 werden den 14 zu vermittelnden Kompetenz-feldern jeweils konkrete Lerninhalte zugeschrieben. (Eine ausführliche Darstellung der Kompetenzfelder und der Ler-ninhalte, insbesondere hinsichtlich der Gewichtung für die unterschiedlichen Personas, erfolgt im Anhang.)

STUFE 1 (L1) VERSTEHEN STUFE 2 (L2) ANWENDEN STUFE 3 (L3) ANALYSIEREN

Lernende können Sachverhalte erklä-ren, Beispiele anführen, Aufgaben-stellungen interpretieren oder ein Problem in eigenen Worten wieder-geben.

Lernende können einen Arbeitsablauf, ein Verfahren oder eine Prozedur anwenden oder ausführen, ohne die Details des Verfahrens im Einzelnen kennen zu müssen.

Lernende können ein Problem in einzelne Teile zerlegen und so die Struktur des Problems verstehen; sie können Widersprüche aufdecken, Zusammenhänge erkennen und Folgerungen ableiten sowie zwischen Fakten und Interpretationen unter-scheiden.

Abbildung 3: Vereinfachte Darstellung der AKT-Matrix mit den kognitiven Prozessdimensionen [Anderson2001]

4. LERN- UND AUSBILDUNGSINHALTE FÜR DATA SCIENCE


KOMPETENZFELDER PFLICHT-/WAHLINHALTE

(1) Grundlagen Mathematik & Statistik Algebra, Stochastik, Analysis & Statistik (Deskriptive Sta-tistik, Statistische Inferenz, Lineare Modelle, Simulation und Resampling)

(2) Fortgeschrittene Mathematik & Statistik Fortgeschrittene Algebra, Stochastik, Analysis & Statistik (Nichtparametrische, Multivariate, Hochdimensionale, Bayesianische, Räumliche)

(3) Grundlagen der Informatik Programmierung, Datenbanken, Algorithmen

(4) Fortgeschrittene Informatik Virtualisierung, Container, NoSQL, Streaming, Cloud

(5) Kryptographie und Sicherheit Daten- und Cybersicherheit, Kryptographie, Blockchain

(6) Datenethik und Data Privacy Datenethik, DSGVO, Data Privacy & Compliance

(7) Data Governance Data Policy, Strukturen, Metadatenmanagement

(8) Datenintegration (a) Datensammlung

Instrumentation, Logging, Sensoren, verschiedene Daten-quellen

(b) Datenvorbereitung Datenqualität, Labeling, Aggregation, Metrics, Segmenta-tion, Feature Selection

(c) Datenpipelines Data Flow, Infrastruktur und Tools, ETL

(9) Datenvisualisierung Perception Theory, Colour, Editorial Thinking, Principles, Representations, Tools, Interactivity, Annotations

(10) Data Mining KDD Prozess, IR Methods, Reporting, Text-, Web-, Process Mining, Time Series

(11) Maschinelles Lernen/Deep Learning(a) Sprachen und grundlegende ML-Methoden

Languages, Libraries, Tools, Analytics Frameworks, Kon-zepte, Klassische Inferenz Methoden, Probabilistische Modelle

(b) Deep Learning Neural Networks, Reinforcement Learning

(12) Business Intelligence Phases, Data Warehouse, ERP, ETL

(13) Domänenspezifische Anwendungen Praktische Anwendungen und Tools für verschiedene Domänen, Research Data Management

(14) Data Science in der Organisation Project Management, Communication und Soft Skills, Data Economy

Abbildung 4: Die vom Arbeitskreis identifizierten Kompetenzfelder und die entsprechenden Lerninhalte


Zwischenfazit: Studierende des Masters Data Science bringen genug Vorkenntnisse mit und haben ca. vier Semester Zeit, die Kernelemente des Data Science mit einer bedeutenden Anzahl von Pflichtfächern eingehend zu vertiefen. Einzig die Bereiche Kryptographie und Sicherheit und Business Intel-

ligence werden als Wahlpflichtteile angesehen. Insbeson-derein den Kompetenzfeldern Mathematik, Datenethik und Data Privacy und Maschinelles Lernen werden vertiefende Analysekompetenzen als erforderlich angesehen.

KOMPETENZFELDER PFLICHT-/WAHLINHALTE LERNZIEL

(1) Grundlagen Mathematik & Statistik Voraussetzung -

(2) Fortgeschrittene Mathematik & Statistik Pflicht L3

(3) Grundlagen der Informatik Pflicht (Voraussetzung: Programmie-rung)

L2

(4) Fortgeschrittene Informatik Pflicht L2

(5) Kryptographie und Sicherheit Wahl L1

(6) Datenethik und Data Privacy Pflicht L3

(7) Data Governance Pflicht L1

(8) Datenintegration Pflicht L2-L3

(9) Datenvisualisierung Pflicht L2

(10) Data Mining Pflicht L2

(11) Maschinelles Lernen/Deep Learning Pflicht L3

(12) Business Intelligence Wahl L2

(13) Domänenspezifische Anwendungen Pflicht L1

(14) Data Science in der Organisation Pflicht L2

Abbildung 5: Die Kompetenzfelder des MA Data Science mit einer Einschätzung der Wichtigkeit und den zu erreichenden Kompetenzniveaus

4.1 PERSONA A: MASTER OF DATA SCIENCE (M.SC.)Der Data-Science-Master für Bachelor-Absolventinnen und -Absolventen der Informatik, Mathematik oder mit

adäquaten Kenntnissen sollte folgende Inhalte und Lernziele umfassen:

Die folgenden fünf Tabellen fassen die Wichtigkeit (Pflicht/Wahl) und die Lernziele (L1, L2, L3) der Kompetenzfelder in

Bezug auf die Personas in Kapitel 3 und die ausführlichen Kompetenzfelder im Anhang zusammen.


Ausgewählte Beispiele:• Data-Science-Master an der Beuth Hochschule: Der Mas-

terstudiengang Data Science an der Beuth Hochschule Berlin13 vermittelt exzellente Expertise in den Bereichen Machine Learning/Big Data Analytics, um diese praktisch im Unternehmen umsetzen zu können. Anwender für Data Science sind Unternehmen mit intelligenten Systemen/Maschinen, die große Datenströme verarbeiten, um Vor-hersagen zu treffen. Dazu gehören Partnerunternehmen im Bereich Logistik, Marktforschung, Retail, Gesundheit oder auch Plattformbetreiber für Maschinelle Intelligenz. Der Studiengang bildet das gesamte Spektrum für Datenpro-dukte ab, u. a. Modellbildung, Datenbereinigung, Praxiser-fahrung mit vielfältigen Datensätzen sowie Testen produk-tionsreifer Lösungen.

• Master Data Science und Künstliche Intelligenz an der Universität des Saarlandes: Die Studierenden des Mas-ters arbeiten an konkreten Fragestellungen in Fächern

13 https://www.beuth-hochschule.de/m-ds (08.November 2019).

14 https://www.uni-saarland.de/master/studienangebot/mathinf/data-science/info.html (08.Novermber 2019).

wie Computerlinguistik, Physik, Materialwissenschaften, Chemie, Psychologie und Biologie. Durch den Umgang mit sensiblen Daten sind auch Aspekte der IT-Sicherheit, der Rechtswissenschaften, des Datenschutzes, der Philosophie und der Ethik wichtige Studieninhalte. Ein Industrieprakti-kum und ein Masterpraktikum in einer Forschungsgruppe können in den Wahlpflichtbereich eingebracht werden.Neben den Professorinnen und Professoren der Fach-richtungen Informatik sowie Sprachwissenschaft und Sprachtechnologie der Universität des Saarlandes lehren im Masterstudiengang Wissenschaftlerinnen und Wis-senschaftler der renommierten Forschungsinstitute auf dem Campus, die hier anwendungsnah die Verfahren der Gebiete Data Science, Künstliche Intelligenz, Maschinelles Lernen und Big Data erforschen und die Studierenden um-fassend auf die Herausforderungen der digitalen Zukunft vorbereiten.14




(2) Fortgeschrittene Mathematik & Statistik Wahl L3

(3) Grundlagen der Informatik Wahl L1

(4) Fortgeschrittene Informatik - -

(5) Kryptographie und Sicherheit - -

(6) Datenethik und Data Privacy Pflicht L2


(8) Datenintegration Pflicht L2-L3


(10) Data Mining Pflicht L2

(11) Maschinelles Lernen/Deep Learning Wahl/Pflicht L1-L3

(12) Business Intelligence - -


(14) Data Science in der Organisation Wahl L2

Abbildung 6: Die Kompetenzfelder des M.Sc. Data Science in der Domäne mit Stellung im Studiengang (Wahl oder Pflicht) und den zu erreichenden Kompetenzniveaus

4.2 PERSONA B.1: MASTER OF DATA SCIENCE (M.SC.) (IN DER DOMÄNE)Der Data-Science-Master für Bachelor-Absolventinnen und

-Absolventen aus informatikfernen Studiengängen mit gerin-gen Data-Science-Kompetenzen sollte folgenden Inhalte und Lernziele umfassen:




(2) Fortgeschrittene Mathematik & Statistik - -

(3) Grundlagen der Informatik Wahl L1

(4) Fortgeschrittene Informatik - -

(5) Kryptographie und Sicherheit - -

(6) Datenethik und Data Privacy Wahl L2

(7) Data Governance Wahl L1

(8) Datenintegration Wahl/Pflicht L1 - L2

(9) Datenvisualisierung Wahl L1

(10) Data Mining Wahl L1 - L2

(11) Maschinelles Lernen/Deep Learning Wahl/Pflicht L1 - L2

(12) Business Intelligence - -


(14) Data Science in der Organisation - -

Abbildung 7: Die Kompetenzfelder des Master of Data Science (M.Sc.) in der Domäne mit Stellung im Studiengang (Wahl oder Pflicht) und den zu erreichenden Kompetenzniveaus

4.3 PERSONA B.2: MASTER IN DER DOMÄNE (M.SC.) MIT DATA-SCIENCE-KOMPETENZENDer Master für Bachelor-Absolventinnen und -Absolventen

außerhalb der Informatik und Mathematik / Statistik in An-wendungsdomänen mit geringen Data-Science-Kompetenzen sollte folgende Inhalte und Lernziele umfassen:

Zwischenfazit:�Sowohl beim Master of Data Science (in der Domäne) (B.1) als auch beim Domänen-Master mit Da-ta-Science-Kompetenzen (B.2) muss ein stärkerer Fokus auf Kompetenzen im Umgang mit Daten als auf fortgeschrittene mathematisch-informatische Grundlagen gelegt werden: Data Governance, Integration, Visualization und Mining sowie insbesondere Aspekte des Maschinellen Lernens stehen hierbei als anwendungsbezogene Bereiche naturgemäß im Vordergrund. Die Unterschiede zwischen den Personas B.1 und B.2 sind insbesondere dem verschiedenen Umfang an Lehrveranstaltungen geschuldet, da bei B.2 nach wie vor die

Ausbildung in der Domäne selbst den Vorrang hat. Somit entfällt z.B. bei Persona B.2 der Bereich der fortgeschritte-nen Mathematik (2), und viele Gebiete mit Pflichtcharakter für B.1 werden bei B.2 dem Wahlpflichtbereich zugeordnet. Gleichzeitig wurden die Lernziele im Verhältnis zueinander unterschiedlich gewichtet, um den zeitlichen Lernaufwand auszubalancieren. Aus demselben Grund wurden in den Bereichen (8)-(11) einzelne untergeordnete Inhalte zusam-mengefasst bzw. als Auswahlmöglichkeiten deklariert, um die besondere Fokussierung auf spezielle Anforderungen der Domäne herauszuheben.



(1) Grundlagen Mathematik & Statistik Voraussetzung L2

(2) Fortgeschrittene Mathematik & Statistik - -

(3) Grundlagen der Informatik Voraussetzung L1 - L2

(4) Fortgeschrittene Informatik Pflicht L1 - L2


(6) Datenethik und Data Privacy Pflicht L1 - L3


(8) Datenintegration Pflicht L1 - L2


(10) Data Mining - -

(11) Maschinelles Lernen/Deep Learning Wahl/Pflicht L1 - L2

(12) Business Intelligence Wahl/Pflicht L1

(13) Domänenspezifische Anwendungen - -

(14) Data Science in der Organisation Nur Projektmanagement (Pflicht) L1

Abbildung 8: Die Kompetenzfelder eines Basic Data Scientist mit Stellung im Studiengang (Wahl oder Pflicht) und den zu erreichenden Kompetenzniveaus

Ausgewählte Beispiele:• Leuphana Universität Lüneburg: Das internationale Pro-

gramm „Management & Data Science“ ist für Studierende aus allen (insbesondere auch informatikfernen) Diszipli-nen offen und beinhaltet einen Data-Science-Master für Persona B.1.

• TU Dortmund: Erste Ansätze zur Etablierung der Persona B.2 werden derzeit durch entstehende neue Modul-An-gebote im Bereich Datenwissenschaften und deskriptive Statistik für Studierende der Chemie und Chemischen Biologie in enger Abstimmung mit der Fakultät für Statistik realisiert.

4.4 PERSONA C.1: BASIC DATA SCIENTISTFür die Weiterbildung zum Basic Data Scientist sollten fol-gende Inhalte vermittelt und Lernziele erreicht werden:


Zwischenfazit: Teilnehmende an einem Basic-Data-Scien-tist-Weiterbildungsprogramm müssen über Grundlagen der Mathematik und Informatik verfügen. In den Bereichen Fort-geschrittene Informatik, Datenethik und Data Privacy, Data Governance, Datenintegration, Datenvisualisierung, Data Mining sowie Projektmanagement müssen Kompetenzen mindestens auf der Ebene Verstehen (L1) aufgebaut werden. Teilweise werden Kompetenzen auf Anwendungsebene (L2) gefordert – im Bereich Datenethik und Data Privacy sogar auf der Ebene Analysieren (L3). Kompetenzen in den Bereichen Maschinelles Lernen/Deep Learning sowie Business Intelli-gence werden nur auszugsweise auf den Ebenen Verstehen (L1) und Anwenden (L2) erworben.

Ausgewählte Beispiele:• Fraunhofer Data Scientist Basic Level 15: Durch die zer-

tifizierte Schulung der Fraunhofer Gesellschaft soll

15 https://www.bigdata.fraunhofer.de/de/datascientist/zertifizierungen/zertifizierung.html (12. November 2019).

16 https://www.hs-albsig.de/studienangebot/masterstudiengaenge/data-science/zertifikatsprogramm-data-science (12. November 2019).

breitgefächertes Wissen vermittelt werden, um effizient in Data-Science-Teams mitarbeiten zu können. Die Schu-lungsinhalte decken die obigen Kompetenzfelder ab. Die Schulung ist auf 5 Tage begrenzt und fokussiert daher in der Breite hauptsächlich auf dem Lernziel Verstehen (L1) und teilweise Anwenden (L2).

• �Data-Science-Zertifikatsprogramm�Hochschule�Albstadt-Sigmaringen/Universität Mannheim16: Über das Zertifikatsprogramm können die Einzelzertifikate CAS (Certificate of Advanced Studies) in den Bereichen Data Science Programmer, Data Miner, Data Engineer und Business Analyst und DAS (Diploma of Advanced Studies) in den Bereichen Data Scientist, Big Data Architect, Data Analyst und Management Scientist erworben werden, welche die Kompetenzfelder des Basic Data Scientist abdecken.


4.5 PERSONA C.2: ADVANCED DATA SCIENTISTDer Advanced Data Scientist baut auf dem Basic Data Scientist auf. Das heißt, die dort vermittelten Inhalte stellen die Voraussetzung für die Teilnahme am Advanced-Data- Scientist-Weiterbildungsprogramm dar. Diese werden im

Folgenden nicht noch einmal gesondert als Voraussetzung aufgeführt.

Für die Weiterbildung zum Advanced Data Scientist sollten folgende Inhalte vermittelt und Lernziele erreicht werden:


(1) Grundlagen Mathematik & Statistik -

(2) Fortgeschrittene Mathematik & Statistik -

(3) Grundlagen der Informatik Pflicht L2

(4) Fortgeschrittene Informatik Wahl/Pflicht L2


(6) Datenethik und Data Privacy Pflicht L2 - L3

(7) Data Governance Nur MetaDatenmanagement (Pflicht) L2

(8) Datenintegration Pflicht L2

(9) Datenvisualisierung Pflicht L1 - L2

(10) Data Mining Pflicht/Wahl L2

(11) Maschinelles Lernen/Deep Learning Pflicht L3

(12) Business Intelligence Pflicht L2

(13) Domänenspezifische Anwendungen -

(14) Data Science in der Organisation Nur Projektmanagement (Pflicht) L2

Abbildung 9: Die Kompetenzfelder eines Advanced Data Scientist mit Stellung im Studiengang (Wahl oder Pflicht) und den zu erreichenden Kompetenzniveaus

Zwischenfazit: Teilnehmende an einem Advanced-Da-ta-Scientist- Weiterbildungsprogramm müssen entweder über einen Abschluss als Basic Data Scientist verfügen oder äquivalente Kompetenzen erworben haben. In den Bereichen Grundlagen der Informatik, Datenethik und Data Privacy, Me-tadatenmanagement, Datenintegration, Business Intelligence sowie Projektmanagement müssen Kompetenzen mindestens auf der Ebene Anwenden (L2) aufgebaut werden. Im Bereich

Datenvisualisierung werden Kompetenzen auf den Ebenen Verstehen (L1) und Anwenden (L2) verlangt, für Datenethik und Data Privacy auf den Ebenen Anwenden (L2) und Analy-sieren (L3) und für Maschinelles Lernen/Deep Learning auf der Ebene Analysieren (L3). Kompetenzen in den Bereichen Fortgeschrittene Informatik sowie Data Mining müssen aus-zugsweise auf der Ebene Anwenden (L2) erworben werden.


Ausgewählte Beispiele:• Fraunhofer Data Scientist Advanced Level und Senior Data

Scientist17: Die weiterführende Schulung der Fraunhofer Gesellschaft zum Advanced Level setzt den Fraunhofer Data Scientist Basic Level sowie eine ausgewählte Ver-tiefung (z.B. Data Analyst, Data Manager oder Machine Learning Specialist) und darüber hinaus Berufserfahrung voraus. Das Ziel liegt in der praktischen Anwendung von Verfahren und der Vertiefung des Wissens. Darauf auf-bauend erfolgt die Ausbildung zu Senior Data Scientists, welche innerhalb eines Unternehmens das Themenfeld voranbringen und Data-Science-Projekte leiten sollen. Die Schulungsreihe deckt die obigen Kompetenzfelder ab und fokussiert auf dem Lernziel Anwenden (L2) und teilweise Analysieren (L3).

17 https://www.bigdata.fraunhofer.de/de/datascientist/zertifizierungen.html (08. November 2019).

18 https://www.hs-albsig.de/studienangebot/masterstudiengaenge/data-science (08.November 2019).

19 https://datascienceretreat.com/ (08. November 2019).

• Data-Science-Master Hochschule Albstadt-Sigmaringen/Universität Mannheim18: Der Weiterbildungs-Masterstudi-engang Data Science enthält die Module des Basic Levels als Voraussetzung. Der Masterstudiengang vermittelt theo-retische Kenntnisse in den Kompetenzfeldern des Advan-ced Data Scientists auf den Ebenen L2 und L3 sowie deren praktische Umsetzung.

• Data Science Retreat19: Das Retreat bietet datenwissen-schaftliche Ausbildung und praktisches Coaching für Fachleute sowie eine Verbindung zu Unternehmen, die nach Expertinnen und Experten mit praktischer Erfahrung suchen. Das Retreat umfasst ein intensives 12-wöchiges Vollzeit-Bootcamp mit Unterricht und Projektarbeit.


5. AUSBLICK

Die Karriere der Data-Science-Disziplin steht erst am Anfang. Mit zunehmender Datafizierung der Lebens- und Arbeitswel-ten steigt auch der Bedarf an Expertinnen und Experten, die in der Lage sind, sich auf wissenschaftlichem Niveau mit die-sen Fragestellungen auseinanderzusetzen. Wie dieses Papier zeigt, sind die Anforderungen an Datenwissenschaftlerinnen und -wissenschaftler schon heute sehr vielfältig. Und diese Anforderungen werden – ungeachtet der Tatsache, dass viele der aktuellen Tätigkeiten eines Data Scientist künftig vor-aussichtlich eine weitere softwarebasierte Automatisierung erfahren werden – in Zukunft an Komplexität und Spezifizie-rung weiter zunehmen.

Der Bedeutungszuwachs von Data Science in den unter-schiedlichen Anwendungsfeldern wird vor dem Hintergrund einer sich beschleunigenden technologischen Entwicklung zu einem weiter steigenden Bedarf an Expertise in diesem Bereich führen. Gleichzeitig werden auch die Data-Scien-ce-Grundlagendisziplinen, die Mathematik, die Statistik und die Informatik, einen weiteren Bedeutungszuwachs erfahren, weil es künftig noch viel stärker darauf ankommen wird, den systematischen und automatisierten Umgang mit den Daten, die die Welt vermessen, erklären und steuern sollen, zu entwickeln.

Der GI-Arbeitskreis „Data Science/Data Literacy“ wurde vom Vorstand der GI eingesetzt, um eine Hilfestellung für die inhaltliche Ausgestaltung von Data-Science-Studiengängen und -Weiterbildungsangeboten zu entwickeln. Diese Arbeit ist mit diesem Papier abgeschlossen und der Arbeitskreis hat seine Aufgabe erfüllt. Gleichzeitig ist aber auch klar, dass sich das Umfeld, in dem sich Datenwissenschaftlerinnen und -wissenschaftler bewegen, schnell ändert. Und obwohl der Arbeitskreis seine Aufgabe als erfüllt betrachten darf, ist dieses Papier doch nur eine erste Standortbestimmung, die künftig weitere Anpassungen, Ergänzungen und Erweiterun-gen erfahren wird.

Deshalb werden die Mitglieder des Arbeitskreises, die Mit-wirkenden sowie die Autorinnen und Autoren dieses Papiers seitens der GI-Geschäftsstelle von Zeit zu Zeit aufgerufen werden, einen Blick auf den Status quo zu werfen und etwai-ge Anpassungen vorzunehmen. Die Gesellschaft für Informa-tik wird das Thema weiter verfolgen und aktiv werden, sollte Handlungsbedarf bestehen. Zudem wurde im Rahmen des Entwicklungsprozesses auch ein Vorgehen etabliert, das an-deren Arbeiten an den Schnittstellen zur Informatik bei der Entwicklung von curricularen Empfehlungen dienlich sein kann, z.B. im Bereich Digital Design.


[Anderson2001] Anderson, L.W.; Krathwohl, D. et. al. (Hrsg.) (2001): A Taxonomy for Learning, Teaching, and Assessing. A Revision of Bloom’s Taxonomy of Educational Objectives, New York u.a.: Longman.

[acatech2017] Gausemeier, J.; Guggemos, M.; Kreimeyer, A. (2017): „Auswahl, Beschreibung, Bewertung und Mes-sung der Schlüsselkompetenzen für das Technologiefeld Data Science“, acatech-Bericht, https://www.acatech.de/wp-content/uploads/2019/02/acatech_NKM_Data_Science_WEB-2.pdf. (Aufgerufen am: 08.11.2019).

[Beck2019] Beck, S. (et al.): „Künstliche Intelligenz und Diskriminierung. Herausforderungen und Lösungsansätze. Whitepaper der Plattform Lernende Systeme“ https://www.plattform-lernende-systeme.de/files/Downloads/Pub-likationen/AG3_Whitepaper_250619.pdf. (4. Dezember 2019).

[Cleveland2001] Cleveland, W.S. (2001): Data Science: an Action Plan for Expanding the Technical Areas of the Field of Statistics, International Statistical Review, 69, 1, 21-26.

[Conway2013] Conway, D (2013): „The Data Science Venn Diagramm“, http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram. (Aufgerufen am: 08.11.2019).[DAS2014] Data Assessment Solutions GmbH (2014): „IT-Skills-Studie 2014: Big Data Projekte“, White-Paper, 2014.

[Edison2019] EDISON Community (2019): „EDISON Data Science Framework (EDSF)“, https://github.com/EDISONcommunity/EDSF. (Aufgerufen am: 08.11.2019).

[GI2013] Gesellschaft für Informatik e.V. (2013): Informatiklexikon: Big Data, https://gi.de/informatiklexikon/big-data/. (Aufgerufen am 08.11.2019).

[GI2016] Gesellschaft für Informatik e.V. (2016): Empfehlungen für Bachelor- und Masterprogramme im Studienfach Informatik an Hochschulen, https://dl.gi.de/bitstream/handle/20.500.12116/2351/58-GI-Empfehlungen_Bache-lor-Master-Informatik2016.pdf?sequence=1&isAllowed=y. (Aufgerufen am: 08.11.2019).

[Heidrich2018] Heidrich, J.; Bauer, P.; Krupka, D. (2018): „Future Skills: Ansätze zur Vermittlung von Data-Literacy in der Hochschulbildung“, https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr37_DALI_Studie.pdf. (Aufgerufen am: 08.11.2019).

[Kauermann2019] Kauermann, G. (2019): Data Science – einige Gedanken aus Sicht eines Statistikers, Informatik Spektrum, online first.

[KerstinTresp2019] Kersting, K.; Tresp, V.: „Maschinelles und Tiefes Lernen. Der Motor für ‚KI made in Germany‘. Whitepaper der Plattform Lernende Systeme“ https://www.plattform-lernende-systeme.de/files/Downloads/Pub-likationen/AG1_Whitepaper_280619.pdf. (4. Dezember 2019).

[Lübcke2018] Lübcke, M.; Wannemacher, K.: Vermittlung von Datenkompetenzen an den Hochschulen: Studienangebote im Bereich Data Science, Forum Hochschulentwicklung 01/2018.

[Markl2015] Markl, V.: „Gesprengte Ketten“, in: Informatik Spektrum 01/2015.

[Ridsdale2015] Ridsdale, C.; Rothwell, J.; Smit, M. u.a. (2015): Strategies and Best Practices for Data Literacy Education: Knowledge Synthesis Report, Halifax (Canada) Dalhousie University.

[SPSS2000] Chapman, P.; Clinton, J.; Kerber, R. u.a. (2000): „CRISP-DM 1.0: Step-by-step data mining guide“, White-Paper, PSSS.

LITERATUR


ANHANG

Die erste nachfolgende Tabelle enthält in Spalte 1 die für ein Data-Science-Curriculum notwendigen Kompetenzgruppen. Die Spalten 2 bis 6 beschreiben die Wichtigkeit der Module (Pflichtmodul versus Wahlpflichtmodul) und die Lernziele (L1 bis L3: Verstehen, Anwenden, Analysieren) in Bezug auf die Personas in Kapitel 3. Die vorliegenden Kompetenzfelder finden sich auch bei EDISON wieder: • Grundlagen Mathematik KU1.01.00ff• Fortgeschrittene Mathematik KU1.01.00ff• Grundlagen der Informatik KU2.03.00ff• Fortgeschrittene Informatik KU2.01.00ff, KU2.02.00ff, KU2.05.00ff, KU2.06.00, (KU3.01.00ff),

(KU3.02.00ff), (KU3.03.00ff), (KU3.05.00ff), (KU3.06.00ff)• Kryptographie und Sicherheit KU2.04.00ff• Datenethik und Data Privacy KU3.01.06, KU3.04.w07, KU4.01.06• Data Governance KU3.04.00ff• Datenintegration KU1.03.00ff• Data Mining KU1.04.00ff, KU2.07.00ff• Datenvisualisierung KU2.06.06ff• Maschinelles Lernen KU1.02.00ff, KU1.05.00ff, KU4.01.00ff• Business Intelligence KU5.01.00ff, KU5.02.00ff• Domänenspezifische Anwendungen (KU2.05.06), (KU1.06.01)• Data Science in der Organisation KU4.02.00ff

[WeihsIckstadt2018] Weihs und Ickstadt (2018): Data Science: the impact of statistics, International Journal of Data Science and Analytics 6, 189–194).

[Weinert2001] Weinert, F. E. (2001): „Leistungsmessung in Schulen – eine umstrittene Selbstverständlichkeit“, in: Weinert, F. E. (Hrsg.): Leistungsmessung in Schulen. Weinheim u. Basel: Beltz, S. 17-33.


PERSONA A Master Data

Science

B.1 Master Data

Science (Domäne)

B.2 Master Domäne

(mit Data-Science-

Kompetenzen)

C.1 Basic Data Scientist

(Weiterbildung)

C.2Advanced Data

Scientist (Weiterbildung)

KOMPETENZFELD - P=Pflichtinhalt, W=WahlpflichtinhaltLERNINHALT - Lernziele: L1=Verstehen, L2=Anwenden, L3=Analysieren

(1) Grundlagen MathematikLineare Algebra - - - - -

Statistik(Deskriptive Statistik, Statistische Inferenz,

Lineare Modelle, Simulation und Resampling)- - - - -

Stochastik - - - - -Analysis/Calculus - - - - -

(2) Fortgeschrittene MathematikFortgeschrittene Lineare Algebra P, L3 W, L3 - - P, L2

Fortgeschrittene Statistik(Nichtparametrische, Multivariate,

Hochdimensionale, Bayesianische, Räumliche)P, L3 W, L3 - - P, L2

Fortgeschrittene Stochastik P, L3 W, L3 - - P, L2Fortgeschrittene Analysis/Calculus P, L3 W, L3 - - P, L2

Simulationsverfahren P, L3 W, L3 - - P, L2

(3) Grundlagen InformatikProgrammierung - - - - P, L2

Software-Engineering P, L2 W, L1 W, L1 - P, L2Datenbanken/SQL P, L2 W, L1 W, L1 - P, L2

Komplexität von Algorithmen P, L2 W, L1 W, L1 - P, L2

(4) Fortgeschrittene InformatikVirtualisierung & Container Management P, L2 - - P, L1 P, L2

Architekturen P, L2 - - P, L1 P, L2NoSQL Data Storage P, L2 - - P, L2 P, L2

Streaming & Streaming Analytics P, L2 - - P, L2 P, L2Cloud Computing P, L2 - - P, L1 W, L2

Fortgeschrittene Algorithmen W, L2 - - - W, L2

(5) Kryptographie und SicherheitDatensicherheit/Security by Design W, L1 - - W, L1 W, L1

Kryptographie W, L1 - - W, L1 W, L1Cyber Sicherheit W, L1 - - W, L1 W, L1

Blockchain in Data Science W, L1 - - - -

(6) Datenethik und Data PrivacyDatenethik P, L3 P, L2 W, L2 P, L3 -

Rechtlicher Rahmen ( DSGVO etc. ) P, L2 P, L2 W, L2 P, L1 P, L2Data Privacy & Data Compliance P, L3 P, L2 W, L2 P, L1 P, L3

(7) Data GovernanceData Policy P, L1 P, L1 W, L1 P, L1 -

Metadatenmanagement P, L2 P, L2 P, L2 P, L1 P, L2Strukturen und Verantwortlichkeiten P, L1 P, L1 W, L1 P, L1 -

ANHANG 1: AUFSCHLÜSSELUNG DER DATA-SCIENTIST-LERNINHALTE


(8) Datenintegration (grün: ausgewählte Themen, die sich an der Domäne orientieren)Datensammlung

Instrumentation P, L2 P, L2 W, L1 P, L1 P, L2Logging P, L2 P, L2 W, L1 P, L1 W, L2

Sensoren P, L2 P, L2 W, L1 P, L1 W, L2Datenquellen (Social Media, User Generated,

Suchmaschinen, Kaggle etc.) P, L2 P, L2 W, L1 P, L1 P, L2

Daten-PipelinesData Flow P, L2 P, L2 P, L2 P, L2 P, L2

Infrastructure and Tools (Kafka, MLFlow, Cloud Dataflow, AWS Pipelines

etc.)P, L2 P, L2 W, L1 P, L2 P, L2

ETL: Extraktion, Transformation, Laden P, L2 P, L2 W, L1 P, L2 P, L2Strukturierte/Unstrukturierte Daten P, L2 P, L2 P, L2 P, L2 W, L2

DatenvorbereitungData Quality, Data Curation etc. P, L2 P, L3 P,L2 P, L2 P, L2

Data-Wrangling/-Transformation/-Cleaning, Anomaly Detection P, L2 P, L3 P,L2 P, L2 P, L2

Basic Labelling/Aggregation, Analytics, Metrics, Segmentation P, L2 P, L3 P,L2 P, L2 P, L2

Feature Selection/Extraction, Training Sets etc. P, L2 P, L3 P,L2 P, L2 P, L2

(9) Datenvisualisierung (grün: ausgewählte Themen, die sich an der Domäne orientieren)Definition/Workflow P, L2 P, L1 W, L1 P, L2 P, L2

Perception Theory, Colour, Editorial Thinking P, L2 P, L1 W, L1 P, L2 P, L2Principles, Representations P, L2 P, L1 W, L1 P, L2 P, L2

Tools P, L2 P, L1 W, L1 P, L2 P, L2Visualization Dimensions P, L2 P, L1 W, L1 - P, L1Interactivity, Annotations P, L2 P, L1 W, L1 - P, L1

(10) Data Mining (DM) (grün: ausgewählte Themen, die sich an der Domäne orientieren)DM KDD Process

(Knowledge Discovery in Databases) P, L2 P, L2 W, L1 P, L1 P, L2

DM IR Methods (Information Retrieval) P, L2 P, L2 W, L1 - P, L2

DM Reporting P, L2 P, L2 W, L1 - P, L2DM Text-, Web-, Process-Mining W, L3 P, L3 W, L2 W, L1 W, L2

Time Series Analytics W, L3 P, L3 W, L2 - W, L2




(11) Maschinelles Lernen (ML): Sprachen und Werkzeuge (grün: ausgewählte Themen, die sich an der Domäne orientieren)

Grundlegende ML-MethodenML Sprachen

(Python, R, Julia etc.) P, L3 - - P, L2 P, L3

ML Bibliotheken(SciKitLearn, Dask etc.) P, L3 W, L1 W, L1 P, L2 P, L3

ML Workbenches (KNIME, Weka, Rapidminer, Matlab etc.) P, L3 W, L1 W, L1 P, L2 P, L3

Big Data Analytics Frameworks (Spark etc.) P, L3 W, L2 W, L1 P, L2 P, L3

Grundlegende ML-Konzepte (Experiment Design, ML-Workflow,

Trainingsdaten/Segmentierung, Overfitting/BIAS, Re-evaluation etc.)

P, L3 P, L3 P, L2 P, L2 P, L3

Klassische Inferenz Methoden (Regression, Support Vector Machines, Instance Based Methods/Classification, Decision Trees,

Clustering, Kernels etc.

P, L3 P, L3 P, L2 P, L2 P, L3

Regularization, Dimensionality Reduction, Ensemble Methods etc. P, L3 P, L3 P, L2 P, L2 P, L3

Probabilistische Modelle und Konzepte ((Hidden) Markov Modelle, Grapische Modelle

etc.)P, L3 P, L3 P, L2 P, L1 W, L2

ML-Anwendungen (Natural Language Processing etc.) W, L1 W, L1 W, L1 W,L1 W,L1

Deep Learning/Deep Neural NetworksTypes & Concepts of Neural Networks P, L3 P, L3 P, L2 P, L2 P, L3

Neural Network Imaging P, L3 P, L3 P, L2 P, L2 P, L3Neural Network Practice/Libraries

(TensorFlow, Keras, Caffee, Torch, OpenNN, Theano, etc.)

P, L3 P, L3 P, L2 P, L2 P, L3

Reinforcement Learning/GAN P, L3 P, L3 P, L2 P, L2 P, L3

(12) Klassisches Business Intelligence (BI)BI Phasen W, L2 - - P, L1 P, L2

BI Data Warehousing/OLTP/OLAP W, L2 - - W, L1 P, L2BI ERP Systems (z.B. SAP) W, L2 - - W, L1 P, L2

BI ETL Systems (z.B. Talend) W, L2 - - W, L1 P, L2

(13) Domänenspezifische AnwendungenDomainspezifische praktische Erfahrung

(Tools/Visualisierung/Pipelining/Kommunikation bspw. in Biologie, Logistik, Handel, Urban Tec

etc.)

P, L1 P, L3 P, L3 - -

Forschungsdaten-Management P, L1 P, L3 P, L3 - -

(14) Data Science in der Organisation (im Kontext) (für WiWi Teil der Domain, für nicht-WiWi: Entrepreneurship)

Data Science Projektmanagement(Identifzieren, Implementieren, Einbetten etc.) P, L2 W, L2 - P, L1 P, L2

Organisationsspezifische Kommunikationsfähigkeiten & Soft Skills P, L2 P, L2 - - -

Daten-Ökoniomie/Wert in der Organisation W, L2 W, L2 - - -


PERSONA Voraus- setzungen

für A

Voraus-setzungen

für B.1 oder B.2

Voraus-setzungen

für B.1

KOMPETENZFELDLERNINHALT

(1) Grundlagen MathematikLineare Algebra P, L2 P, L2 P, L2

Statistik(Deskriptive Statistik, Statistische Inferenz,

P, L2 P, L2 P, L2Stochastik P, L2 P, L2 P, L2

Analysis/Calculus P, L2 P, L2 P, L2

(2) Fortgeschrittene MathematikFortgeschrittene Lineare Algebra - - -

Fortgeschrittene Statistik(Nichtparametrische, Multivariate,

- - -Fortgeschrittene Stochastik - - -

Fortgeschrittene Analysis/Calculus - - -Simulationsverfahren - - -

(3) Grundlagen InformatikProgrammierung P, L2 P, L2 P, L2

Software-Engineering W, L1 - W, L1Datenbanken/SQL W, L1 - W, L1

Komplexität von Algorithmen W, L1 - W, L1

(4) Fortgeschrittene InformatikVirtualisierung & Container Management W, L1 - -

Architekturen W, L1 - -NoSQL Data Storage W, L1 - -

Streaming & Streaming Analytics - - -Cloud Computing - - -

Fortgeschrittene Algorithmen W, L1 - -

(5) Kryptographie und SicherheitDatensicherheit/Security by Design - - -

Kryptographie - - -Cyber Sicherheit - - -

Blockchain in Data Science - - -

(6) Datenethik und Data PrivacyDatenethik W, L1 - W, L1

Rechtlicher Rahmen ( DSGVO etc. ) W, L1 - W, L1Data Privacy & Data Compliance W, L1 - W, L1

ANHANG 2: NOTWENDIGE VORAUSSETZUNGEN PERSONA B UND C



(7) Data GovernanceData Policy - - -

Metadatenmanagement - - -Strukturen und Verantwortlichkeiten - - -

(8) DatenintegrationDatensammlung

Instrumentation - - -Logging - - -

Sensoren - - -Datenquellen (Social Media, User Generated,

Suchmaschinen, Kaggle etc.) - - -

Daten-PipelinesData Flow - - -

Infrastructure and Tools (Kafka, MLFlow, Cloud Dataflow, AWS Pipelines

- - -ETL: Extraktion, Transformation, Laden - - -

Strukturierte/Unstrukturierte Daten - - -

DatenvorbereitungData Quality, Data Curation etc. - - -

Data-Wrangling/-Transformation/-Cleaning, Anomaly Detection - - -

Basic Labelling/Aggregation, Analytics, Metrics, Segmentation - - -

Feature Selection/Extraction, Training Sets etc. - - -

(9) DatenvisualisierungDefinition/Workflow - - -

Perception Theory, Colour, Editorial Thinking - - -Principles, Representations - - -

Tools - - -Visualization Dimensions - - -Interactivity, Annotations - - -

(10) Data Mining (DM)DM KDD Process

(Knowledge Discovery in Databases) - - -

DM IR Methods (Information Retrieval) - - -

DM Reporting - - -DM Text-, Web-, Process-Mining - - -

Time Series Analytics - - -


(11) Maschinelles Lernen (ML): Sprachen und WerkzeugeGrundlegende ML-Methoden

ML Sprachen(Python, R, Julia etc.)

- P, L1 -ML Bibliotheken

(SciKitLearn, Dask etc.)- - -

ML Workbenches (KNIME, Weka, Rapidminer, Matlab etc.)

- - -Big Data Analytics Frameworks

(Spark etc.)- - -

Grundlegende ML-Konzepte (Experiment Design, ML-Workflow,

- - -Klassische Inferenz Methoden

(Regression, Support Vector Machines, Instance - - -

Regularization, Dimensionality Reduction, Ensemble Methods etc.

- - -Probabilistische Modelle und Konzepte

((Hidden) Markov Modelle, Grapische Modelle - - -

ML-Anwendungen (Natural Language Processing etc.)

- - -

Deep Learning/Deep Neural NetworksTypes & Concepts of Neural Networks - - -

Neural Network Imaging - - -Neural Network Practice/Libraries

(TensorFlow, Keras, Caffee, Torch, OpenNN, Theano, etc.)

- - -

Reinforcement Learning/GAN - - -

(12) Klassisches Business Intelligence (BI)BI Phasen - - -

BI Data Warehousing/OLTP/OLAP - - -BI ERP Systems (z.B. SAP) - - -

BI ETL Systems (z.B. Talend) - - -

(13) Domänenspezifische AnwendungenDomainspezifische praktische Erfahrung

(Tools/Visualisierung/Pipelining/Kommunikation bspw. in Biologie, Logistik, Handel, Urban Tec

etc.)

- - -

Forschungsdaten-Management - - -

(14) Data Science in der Organisation (im Kontext)

Data Science Projektmanagement(Identifzieren, Implementieren, Einbetten etc.) - - -

Organisationsspezifische Kommunikationsfähigkeiten & Soft Skills - - -

Daten-Ökoniomie/Wert in der Organisation - - -



AUTORINNEN UND AUTOREN

Folgende Autorinnen und Autoren (in alphabetischer Reihenfolge) haben an den Empfehlungen mitgearbeitet:• Abedjan, Ziawasch (TU Berlin / GI-FG DB)• Brefeld, Ulf (Leuphana Universität Lüneburg / Plattform Lernende Systeme)• Bürkle, Joachim (DB Systel / Deutsche Bahn)• Desel, Jörg (FernUniversität Hagen / GI-FG ISH / Studienkommission Fakultätentag Informatik)• Edlich, Stefan (Beuth Hochschule, Berlin)• Eppler, Thomas (Hochschule Albstadt-Sigmaringen)• Goedicke, Michael (Universität Duisburg-Essen / GI-Vizepräsident)• Heidrich, Jens (Fraunhofer-Institut für Experimentelles Software Engineering IESE /

GI-FG Software-Messung und -Bewertung)• Höppner, Stephan (Atos)• Kast, Stefan M. (TU Dortmund / Gesellschaft Deutscher Chemiker)• Krupka, Daniel (Gesellschaft für Informatik)• Lang, Klaus (TH Bingen / Vorsitzender Fachbereichstag Informatik)• Liggesmeyer, Peter (Fraunhofer IESE / Spreche GI-Task Force „Data Science“)• Tropmann-Frick, Marina (HAW Hamburg)


HERAUSGABEGesellschaft für Informatik e.V.Spreepalais am Dom, Anna-Louisa-Karsch-Str. 2, 10178 Berlin

REDAKTION Ziawasch Abedjan, Ulf Brefeld, Joachim Bürkle, Jörg Desel, Stefan Edlich, Thomas Eppler, Michael Goedicke, Jens Heidrich, Stephan Höppner, Stefan M. Kast, Daniel Krupka, Klaus Lang, Peter Liggesmeyer, Marina Tropmann-Frick, Klaus Lang

GESTALTUNGSarah Bauer

STANDDezember 2019

COPYRIGHTDiese Publikation steht unter der Lizenz CC BY-SA 4.0.

ÜBER DIE GESELLSCHAFT FÜR INFORMATIK E. V. Die Gesellschaft für Informatik e.V. (GI) ist mit rund 20.000 persönlichen und 250 korporati-ven Mitgliedern die größte und wichtigste Fachgesellschaft für Informatik im deutschspra-chigen Raum. 2019 feiert die GI ihr 50-jähriges Gründungsjubiläum. Seit 1969 vertritt sie die Interessen der Informatikerinnen und Informatiker in Wissenschaft, Wirtschaft, öffentlicher Verwaltung, Gesellschaft und Politik. Mit 14 Fachbereichen, über 30 aktiven Regionalgruppen und unzähligen Fachgruppen ist die GI Plattform und Sprachrohr für alle Disziplinen in der Informatik. Die GI-Mitglieder binden sich an die Ethischen Leitlinien für Informatikerinnen und Informatiker der Gesellschaft für Informatik e.V.. Weitere Informationen finden Sie unter www.gi.de.

IMPRESSUM



GESELLSCHAFT FÜR INFORMATIK E. V. (GI)

Geschäftsstelle Bonn WissenschaftszentrumAhrstr . 45 53175 BonnTel .: +49 228 302-145Fax: +49 228 302-167E-Mail: bonn@gi .de

Geschäftsstelle Berlin Spreepalais am DomAnna-Louisa-Karsch-Str . 210178 BerlinTel .: +49 30 7261 566-15Fax: +49 30 7261 566-19 E-Mail: berlin@gi .de

gs@gi .dewww .gi .de

/informatikradar /company/gesellschaft-fuer-informatik

/net/gi

Documents

ARBEITSPAPIER DATA SCIENCE: LERN- UND ......und Wissenschaft als auch für die Lehre – hat der Vorstand der Gesellschaft für Informatik (GI) 2018 die Task-Force „Data Science/Data